Hva er Hyperparameterjustering
Optimalisering av ML-modellinnstillinger
Hyperparameterjustering er prosessen med å finne optimale innstillinger for en maskinlæringsmodell som ikke læres fra data, men settes før trening begynner.
Eksempler på hyperparametere
- Læringsrate — treningshastighet
- Antall lag i nevralt nettverk
- Batch-størrelse — eksempler per iterasjon
- Regularisering — L1, L2, dropout
Justeringsmetoder
- Grid Search — uttømmende søk av alle kombinasjoner
- Random Search — tilfeldig sampling
- Bayesiansk optimalisering — intelligent søk basert på tidligere resultater
- AutoML — automatisk justering
Verktøy
- Optuna, Hyperopt, Ray Tune, Keras Tuner
Betydning
Riktig hyperparameterjustering kan betydelig forbedre modellkvaliteten uten å endre arkitekturen.