model-based / Bayesian なハイパーパラメータ最適化戦略は、どのように定義しますか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
なぜ「ハイパーパラメータ」という少し不思議な言葉を使うのでしょうか？ どこが“ハイパー”なのでしょう？ ここでは、モデルパラメータとは何か、そしてそれが Machine Learning におけるハイパーパラメータとどう違うのかを理解します。続いて、私たちがそれらをチューニングしたい理由と、caret のデフォルト設定がどのように自動でハイパーパラメータチューニングを含んでいるかを見ていきます。
この章では、まず直交グリッド（Cartesian グリッド）でハイパーパラメータをチューニングする方法を学びます。その後、より高速で効率的な手法を実装します。ランダムサーチと適応的リサンプリングを使い、最適設定の近傍に焦点を当てる形でパラメータグリッドをチューニングします。
ここでは、ハイパーパラメータチューニング機能が充実した別の Machine Learning パッケージを使います。Cartesian グリッドの定義やランダムサーチに加え、より高度な手法も実行します。さらに、異なるハイパーパラメータをもつモデルを可視化・評価するさまざまな方法を学びます。
現在の演習
最終章では、ハイパーパラメータチューニング機能が使いやすい別の Machine Learning パッケージである h2o を使います。これを用いて複数のモデルを学習し、Cartesian グリッドを定義します。次に、停止基準を用いたランダムサーチを実装します。最後に、h2o のインターフェースである AutoML を学び、1つの関数で高速かつ手軽にモデルとハイパーパラメータのチューニングを行います。
