ہائپر پیرامیٹر ٹیوننگ

ہائپر پیرامیٹر وہ ترتیبات ہیں جو آپ تربیت سے پہلے منتخب کرتے ہیں، جیسے سیکھنے کی شرح یا ماڈل کا سائز، جو ماڈل خود نہیں سیکھتا ہے۔ انہیں اچھی طرح سے ٹیوننگ کرنا اکثر ایک معمولی ماڈل اور ایک عظیم ماڈل کے درمیان فرق ہوتا ہے۔

وزن (پیرامیٹر) تربیت کے دوران ڈیٹا سے سیکھا جاتا ہے۔ ہائپر پیرامیٹرز، جیسے سیکھنے کی شرح یا تہوں کی تعداد، پہلے سے منتخب کی جاتی ہیں اور تربیت کے آگے بڑھنے کے طریقہ کو کنٹرول کرتے ہیں۔

سیکھنے کی شرح اس بات پر سخت اثر انداز ہوتی ہے کہ آیا ماڈل کتنی تیزی سے کنورج ہوتا ہے۔ بہت زیادہ اور تربیت مختلف ہوتی ہے۔ بہت کم اور یہ رینگتا ہے یا پھنس جاتا ہے۔

گرڈ کی تلاش غیر اہم جہتوں پر آزمائشوں کو ضائع کرتی ہے۔ بے ترتیب تلاش جگہ کو زیادہ مؤثر طریقے سے دریافت کرتی ہے اور اکثر کم آزمائشوں کے ساتھ اچھی ترتیب تک پہنچ جاتی ہے۔

Bayesian آپٹیمائزیشن کنفیگریشنز اور توثیق کے اسکورز کے درمیان تعلق کو ماڈل بناتا ہے، پھر اگلے ٹرائل کا انتخاب کرتا ہے تاکہ غیر یقینی علاقوں کی تلاش کو امید افزا لوگوں کے استحصال کے ساتھ متوازن کیا جا سکے۔

ٹیوننگ ان ترتیبات کا انتخاب کرتی ہے جو آپ کے کسی بھی ڈیٹا پر بہترین نظر آتی ہیں۔ اگر یہ ٹیسٹ سیٹ ہے، تو آپ کی رپورٹ کردہ کارکردگی میں اضافہ ہوا ہے۔ ٹیوننگ اس کے بجائے علیحدہ توثیق سیٹ استعمال کرتی ہے۔