Вы подписаны на Машинное обучение доступно
Отлично! завершите оплату для полного доступа к Машинное обучение доступно
Снова приветствуем Вас! Вы успешно авторизовались
Успех! Аккаунт активирован, и Вы имеете полный доступ к контенту.
Гиперпараметр	(Hyperparameter)

Гиперпараметр (Hyperparameter)

in

Гиперпараметр – это конфигурация Модели (Model) Машинного обучения (ML), оптимальные настройки, которые невозможно вычислить с помощью Датасета (Dataset) и предстоит определить в ходе итеративного обучения:

Автоматически подобранные гиперпараметры полиномиальной регрессии

Пример. Запустите 8 ячеек ноутбука "Validation in Practice: Grid Search" из документации Colab: здесь утилита GridSearchCV автоматически подбирает гиперпараметры Полиномиальной регрессии (Polynomial Regression):

  • linearregression__fit_intercept: пересечение (intercept) – это место, где прямая Линейной регрессии (Linear Regression) пересекает ось y. Если значение гиперпараметра здесь равно False, то линейная регрессия неприменима к данной модели (GridSearchCV перебирает несколько из них).
  • linearregression__normalize: вероятно, означает, что при попытке определить уравнение линейной регрессии к исходным данным применялась Нормализация (Normalization).
  • polynomialfeatures__degree (степень многочленов): представьте, что Целевую переменную (Target Variable) y можно описать уравнением 6x5 + 5x4− 3x2+ x. Пятая степень (6x5) – это и есть [наивысшая] степень многочленов.

Существует важное отличие между параметрами модели и ее гиперпараметрами: если первые зачастую подбираются автоматически, то вторые определяются в ходе обучения Алгоритма (Algorithm) Дата-сайентистом (Data Scientist) и помогают определить наилучшее уравнение, описывающее зависимость Предикторов (Predictor Variable) и целевой переменной.

Примеры параметров:

Автор оригинальной статьи: Jason Brownlee