从系列:应用机器学习
亚当·菲利恩,马修
机器学习就是将模型与 数据相匹配。 这个 过程通常涉及使用最小化模型误差的迭代算法。控制机器学习算法行为的参数称为超参数。 取决于您为超参数选择的值,您可能会得到一个完全不同的模型。因此,通过改变超参数的值,您可以找到不同的,希望是更好的 模型。
本视频介绍超参数优化技术,包括网格搜索、随机搜索和贝叶斯优化。它解释了为什么随机搜索和贝叶斯优化优于标准网格搜索,并描述了超参数与特征工程在模型优化中的关系。
机器学习就是把模型和数据结合起来。模型由参数组成,通过拟合得到各参数的值。这个过程通常涉及到最小化模型误差的某种迭代算法。这个算法有参数来控制它的工作方式,这就是我们所说的超参数。
在深度学习中,我们也将决定图层特征的参数称为超参数。今天,我们将讨论这两种参数的技术。
我们为什么要关心超参数呢?事实证明大多数机器学习问题都是非凸的。这意味着根据我们为超参数选择的值,我们可能会得到一个完全不同的模型。通过改变超参数的值,我们可以找到不同的,希望是更好的模型。
好的,我们知道我们有超参数,我们知道我们想要调整它们,但是我们怎么做呢?一些超参数是连续的,一些是二进制的,而其他的可能有任意数量的离散值。这导致了一个棘手的优化问题。几乎总是不可能对超参数空间进行彻底的搜索,sin这花的时间太长了。
因此,传统上,工程师和研究人员使用超参数优化技术,如网格搜索和随机搜索。在这个例子中,我使用网格搜索方法来改变支持向量机模型的两个超参数——框约束和核尺度。如您所见,由于超参数值的不同,得到的模型的误差是不同的。经过100次试验,搜索发现12.8和2.6是这些超参数最有希望的值。
最近,随机搜索比网格搜索更受欢迎。
“怎么可能呢?”你可能会问。
网格搜索在均匀地探索超参数空间方面不是做得更好吗?
假设你有两个超参数,A和B。你的模型对A很敏感但对b不敏感如果我们做一个3x3的网格搜索,我们只会计算3个不同的a值但如果我们做一个随机搜索,我们可能会得到9个不同的a值,尽管有些可能很接近。因此,我们有更好的机会为“a”找到一个好的值。在机器学习中,我们通常有很多超参数。有些对结果有很大的影响,有些则没有。所以随机搜索通常是一个更好的选择。
网格搜索和随机搜索很好,因为很容易理解发生了什么。然而,它们仍然需要许多功能评估。他们也没有利用这样一个事实:当我们评估越来越多的超参数组合时,我们了解这些值如何影响我们的结果。出于这个原因,您可以使用创建代理模型的技术——或者作为超参数函数的误差近似值。
贝叶斯优化就是这样一种技术。这里我们看到一个运行贝叶斯优化算法的示例,其中每个点对应一个不同的超参数组合。我们还可以看到该算法的代理模型,这里显示为曲面,它用于选择下一组超参数。
关于贝叶斯优化还有一个很酷的地方,那就是它不仅仅关注模型的准确性。它还可以考虑训练所需的时间。可能有一组超参数会导致训练时间增加100倍或更多,如果我们试图在最后期限前完成训练,这可能不会太好。Y你可以通过多种方式配置贝叶斯优化,包括每秒的预期改善,这会惩罚预计需要很长时间训练的超参数值。
现在,进行超参数优化的主要原因是改进模型。尽管我们可以做其他事情来改进它,但我喜欢将超参数优化视为一种低工作量、高计算量的方法。这与功能工程(feature engineering)之类的方法形成了对比,在功能工程中,您需要更大的努力来创建n新功能,但你需要更少的计算时间。哪项活动影响最大并不总是显而易见的,但超参数优化的好处是它很适合“夜间运行”,所以你可以在计算机工作时睡觉。
这是超参数优化的一个快速解释。欲了解更多信息,请查看描述中的链接。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。