Nastavení a analýza hodnot hyperparametrů

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

SkillTag.level.intermediateSkillTag.label

4.9+

834 reviews

Začněte kurz zdarma

V této úvodní kapitole se naučíš rozlišovat hyperparametry a parametry. Procvičíš extrakci a analýzu parametrů a nastavování hodnot hyperparametrů pro několik oblíbených algoritmů strojového učení. Cestou získáš tipy a triky pro výběr hyperparametrů vhodných k ladění, naučíš se volit správné hodnoty a sestavit křivky učení pro analýzu svých voleb.

Exercise 1: Úvod a parametry Exercise 2: Parametry v logistické regresi Exercise 3: Extrakce parametru logistické regrese Exercise 4: Extrakce parametru náhodného lesa Exercise 5: Představení hyperparametrů Exercise 6: Hyperparametry v Random Forests Exercise 7: Prozkoumání hyperparametrů Random Forest Exercise 8: Hyperparametry KNN Exercise 9: Nastavení a analýza hodnot hyperparametrů

Aktuální cvičení

Exercise 10: Automatizace výběru hyperparametrů Exercise 11: Sestavení křivek učení

Tato kapitola tě seznámí s oblíbenou metodou automatického ladění hyperparametrů zvanou Grid Search. Dozvíš se, co to je, jak funguje, a procvičíš si provádění Grid Search pomocí knihovny Scikit-Learn. Poté se naučíš analyzovat výstupy Grid Search a získáš praktické zkušenosti s jejich interpretací.

Exercise 1: Úvod do Grid Search Exercise 2: Vytvoř funkce pro grid search Exercise 3: Iterativní ladění více hyperparametrů Exercise 4: Kolik modelů?Exercise 5: Grid Search s knihovnou Scikit-Learn Exercise 6: Vstupy GridSearchCV Exercise 7: GridSearchCV pomocí Scikit Learn Exercise 8: Porozumění výstupu grid search Exercise 9: Využití nejlepších výstupů Exercise 10: Prozkoumání výsledků grid search Exercise 11: Analýza nejlepších výsledků Exercise 12: Využití nejlepších výsledků

V této kapitole se seznámíš s další oblíbenou metodou automatického ladění hyperparametrů — Random Search. Dozvíš se, co to je, jak funguje a hlavně čím se liší od Grid Search. Projdeš si výhody i nevýhody této metody a zjistíš, kdy ji preferovat před Grid Search. Procvičíš si také provádění Random Search v knihovně Scikit-Learn a vizualizaci a interpretaci výsledků.

Exercise 1: Představení náhodného prohledávání Exercise 2: Náhodný výběr hyperparametrů Exercise 3: Náhodné prohledávání s Random Forest Exercise 4: Vizualizace náhodného hledání Exercise 5: Random Search v Scikit-Learn Exercise 6: Vstupní parametry RandomSearchCV Exercise 7: Objekt RandomizedSearchCV Exercise 8: RandomSearchCV v Scikit Learn Exercise 9: Porovnání Grid Search a Random Search Exercise 10: Porovnání Random Search a Grid Search Exercise 11: Grid Search a Random Search vedle sebe

V této závěrečné kapitole nahlédneš do pokročilejších metod ladění hyperparametrů označovaných jako „řízené prohledávání". Patří sem přístup od hrubého k jemnému (Coarse To Fine) a také bayesovské a genetické algoritmy ladění hyperparametrů. Dozvíš se, čím se řízené prohledávání liší od neřízeného, a získáš praktické dovednosti s každou ze zmíněných metod, které budeš průběžně porovnávat a hodnotit.

Exercise 1: Informované prohledávání: od hrubého k jemnému Exercise 2: Vizualizace přístupu Coarse to Fine Exercise 3: Iterace od hrubého k jemnému Exercise 4: Informované hledání: Bayesovská statistika Exercise 5: Bayesovo pravidlo v Pythonu Exercise 6: Bayesovské ladění hyperparametrů s Hyperopt Exercise 7: Informované prohledávání: genetické algoritmy Exercise 8: Genetické ladění hyperparametrů pomocí TPOT Exercise 9: Analýza stability TPOT Exercise 10: Gratulujeme!