Esplora l'hyperparameter tuning

Un iperparametro è un parametro del modello che scegli tu prima dell'inizio dell'addestramento. (Diversamente dai parametri, che vengono determinati durante l'addestramento del modello.) Gli iperparametri disponibili variano a seconda del tipo di modello.

Qui vedi i risultati di modelli di gradient boosting (GBM) che cercano di prevedere se le persone voteranno o meno a un'elezione. I GBM sono un tipo di modello ensemble che crea molti alberi di regressione. Gli iperparametri per i GBM includono il numero di alberi da generare, la complessità di ciascun albero e il learning rate (quanta importanza viene assegnata a ciascun albero).

Di solito è impossibile sapere quale combinazione di iperparametri porterà al modello con le prestazioni migliori, quindi devi provare molte combinazioni diverse.

Usa i controlli della dashboard per modificare gli iperparametri e trovare la combinazione che offre l'accuratezza più alta.