Explorer le réglage des hyperparamètres

Un hyperparamètre est un paramètre du modèle que vous choisissez avant le début de l’entraînement. (Contrairement aux paramètres, qui sont déterminés par l’entraînement du modèle). Les hyperparamètres disponibles diffèrent selon les types de modèles.

Vous voyez ici les résultats d'un modèle de gradient boosting (GBM) qui tente de prédire si les gens voteront ou non lors d'une élection. Les GBM sont un type de modèle d'ensemble qui crée de nombreux arbres de régression. Les hyperparamètres des GBM comprennent le nombre d'arbres à générer, la complexité de chaque arbre et le taux d'apprentissage (le poids accordé à chaque arbre).

Il est généralement impossible de savoir quelle combinaison d’hyperparamètres aboutira au modèle le plus performant, c’est pourquoi vous devez essayer de nombreuses combinaisons.

Utilisez les commandes du tableau de bord pour modifier les hyperparamètres et trouver la combinaison qui donne la meilleure précision.