모델 기반 / 베이지안 하이퍼파라미터 최적화 전략은 어떻게 정의하나요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
왜 ‘하이퍼파라미터’라는 다소 낯선 용어를 쓸까요? 무엇이 ‘하이퍼’일까요? 이 장에서 모델 파라미터가 무엇인지, 그리고 그것이 Machine Learning에서 하이퍼파라미터와 어떻게 다른지 이해합니다. 이어서 왜 튜닝이 필요한지 살펴보고, caret의 기본 설정에 하이퍼파라미터 튜닝이 자동으로 포함되어 있는 이유를 알아봅니다.
이 장에서는 데카르트 그리드를 사용해 하이퍼파라미터를 튜닝하는 방법을 배웁니다. 그다음 더 빠르고 효율적인 접근을 구현해 봅니다. Random Search와 적응형 리샘플링을 사용해 최적 설정 주변의 값들에 집중하도록 파라미터 그리드를 튜닝합니다.
여기서는 하이퍼파라미터 튜닝 기능이 매우 편리한 또 다른 Machine Learning 패키지를 사용합니다. 데카르트 그리드를 정의하거나 Random Search를 수행하고, 더 발전된 기법도 다룹니다. 또한 서로 다른 하이퍼파라미터로 학습한 모델을 시각화하고 평가하는 다양한 방법을 배웁니다.
현재 연습
마지막 장에서는 편리한 하이퍼파라미터 튜닝 기능을 제공하는 또 다른 Machine Learning 패키지인 h2o를 사용합니다. 이를 통해 다양한 모델을 학습하고 데카르트 그리드를 정의합니다. 이어서 Random Search를 구현하고 중지 기준을 활용합니다. 마지막으로 하나의 함수만으로 매우 빠르고 손쉽게 모델과 하이퍼파라미터를 튜닝할 수 있는 h2o의 AutoML을 배웁니다.
