or
Den här övningen är en del av kursen
I det här introduktionskapitlet lär du dig skillnaden mellan hyperparametrar och parametrar. Du tränar på att extrahera och analysera parametrar samt att ange hyperparametervärden för flera populära maskininlärningsalgoritmer. På vägen får du tips och råd om vilka hyperparametrar som är värda att justera, vilka värden du bör välja och hur du bygger inlärningskurvor för att analysera dina val.
Det här kapitlet introducerar en populär metod för automatiserad hyperparameterjustering som kallas Grid Search. Du lär dig vad det är, hur det fungerar och tränar på att genomföra en Grid Search med Scikit-Learn. Sedan lär du dig att analysera resultatet av en Grid Search och får praktisk erfarenhet av det.
I det här kapitlet introduceras en annan populär metod för automatiserad hyperparameterjustering som kallas Random Search. Du lär dig vad det är, hur det fungerar och framför allt hur det skiljer sig från Grid Search. Du lär dig vilka för- och nackdelar metoden har och när du bör välja den framför Grid Search. Du tränar på att genomföra en Random Search med Scikit-Learn samt på att visualisera och tolka resultaten.
I det här avslutande kapitlet får du en introduktion till mer avancerade metoder för hyperparameterjustering, samlade under begreppet informerad sökning. Det inkluderar metoden Coarse to Fine samt Bayesianska och genetiska algoritmer för hyperparameterjustering. Du lär dig hur informerad sökning skiljer sig från oinformerad sökning och får praktiska färdigheter inom var och en av dessa metoder, med jämförelser längs vägen.
Aktuell övning