हाइपरपैरामीटर ट्यूनिंग

हाइपरपैरामीटर वे सेटिंग्स हैं जिन्हें आप प्रशिक्षण से पहले चुनते हैं, जैसे सीखने की दर या मॉडल आकार, जिसे मॉडल अपने आप नहीं सीखता है। उन्हें अच्छी तरह से ट्यून करना अक्सर एक औसत मॉडल और एक महान मॉडल के बीच का अंतर होता है।

प्रशिक्षण के दौरान डेटा से वजन (पैरामीटर) सीखा जाता है। सीखने की दर या परतों की संख्या जैसे हाइपरपैरामीटर पहले से चुने जाते हैं और यह नियंत्रित करते हैं कि प्रशिक्षण कैसे आगे बढ़ता है।

सीखने की दर दृढ़ता से प्रभावित करती है कि कोई मॉडल कितनी तेजी से अभिसरण करता है या नहीं। बहुत अधिक और प्रशिक्षण अलग हो जाता है; बहुत नीचे और यह रेंगता है या फंस जाता है।

ग्रिड खोज महत्वहीन आयामों पर परीक्षणों को बर्बाद कर देती है। यादृच्छिक खोज अधिक कुशलता से अंतरिक्ष की खोज करती है और अक्सर कम परीक्षणों के साथ अच्छे कॉन्फ़िगरेशन तक पहुंचती है।

बायेसियन अनुकूलन कॉन्फ़िगरेशन और सत्यापन स्कोर के बीच संबंध को मॉडल करता है, फिर आशाजनक क्षेत्रों के शोषण के साथ अनिश्चित क्षेत्रों की खोज को संतुलित करने के लिए अगले परीक्षण का चयन करता है।

ट्यूनिंग उन सेटिंग्स को चुनती है जो आपके द्वारा मूल्यांकन किए गए किसी भी डेटा पर सबसे अच्छी लगती हैं। यदि वह परीक्षण सेट है, तो आपका रिपोर्ट किया गया प्रदर्शन बढ़ा हुआ है। ट्यूनिंग इसके बजाय एक अलग सत्यापन सेट का उपयोग करती है।