| http://dbpedia.org/ontology/abstract
|
Im Bereich des maschinellen Lernens bezeic … Im Bereich des maschinellen Lernens bezeichnet Hyperparameteroptimierung die Suche nach optimalen Hyperparametern. Ein Hyperparameter ist ein Parameter, der zur Steuerung des Trainingsalgorithmus verwendet wird und dessen Wert im Gegensatz zu anderen Parametern vor dem eigentlichen Training des Modells festgelegt werden muss.aining des Modells festgelegt werden muss.
, Оптимізація гіперпараметрів — задача машин … Оптимізація гіперпараметрів — задача машинного навчання по вибору множини оптимальних гіперпараметрів для алгоритму машинного навчання. Гіперпараметр є параметром, значення якого використовується для керування процесом навчання. На відміну від значень інших параметрів (наприклад, вагових коефіцієнтів), які потрібно вивчити. Одні й ті ж види моделей машинного навчання можуть мати різні обмеження, ваги або потребувати певної швидкості навчання для різних видів даних. Ці параметри називаються гіперпараметрами і їх слід підбирати так, щоб модель могла оптимально вирішити завдання навчання. Для цього знаходиться кортеж гіперпараметрів, який дає оптимальну модель, що оптимізує задану функцію втрат на заданих незалежних даних. Цільова функція бере кортеж гіперпараметрів і повертає пов'язані з ними втрати. Часто використовується перехресне затверджування для оцінки цієї узагальнюючої здатності.я для оцінки цієї узагальнюючої здатності.
, Оптимизация гиперпараметров — задача машин … Оптимизация гиперпараметров — задача машинного обучения по выбору набора оптимальных для обучающего алгоритма. Одни и те же виды моделей машинного обучения могут требовать различные предположения, веса или скорости обучения для различных видов данных. Эти параметры называются гиперпараметрами и их следует настраивать так, чтобы модель могла оптимально решить задачу обучения. Для этого находится кортеж гиперпараметров, который даёт оптимальную модель, оптимизирующую заданную функцию потерь на заданных независимых данных. Целевая функция берёт кортеж гиперпараметров и возвращает связанные с ними потери. Часто используется перекрёстная проверка для оценки этой обобщающей способности.ка для оценки этой обобщающей способности.
, In machine learning, hyperparameter optimi … In machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm. A hyperparameter is a parameter whose value is used to control the learning process. By contrast, the values of other parameters (typically node weights) are learned. The same kind of machine learning model can require different constraints, weights or learning rates to generalize different data patterns. These measures are called hyperparameters, and have to be tuned so that the model can optimally solve the machine learning problem. Hyperparameter optimization finds a tuple of hyperparameters that yields an optimal model which minimizes a predefined loss function on given independent data. The objective function takes a tuple of hyperparameters and returns the associated loss. Cross-validation is often used to estimate this generalization performance. estimate this generalization performance.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Hyperparameter_Optimization_using_Grid_Search.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://bigml.com/api/optimls +
, https://github.com/google/vizier +
, http://scikit-learn.sourceforge.net/modules/grid_search.html +
, https://cloud.google.com/ml-engine/docs/tensorflow/using-hyperparameter-tuning +
, https://github.com/CMA-ES/pycma +
, https://github.com/DEAP/deap +
, https://mindfoundry.ai/OPTaaS +
, https://www.tensorflow.org/probability +
, https://ray.readthedocs.io/en/latest/tune.html +
, https://arxiv.org/abs/1703.02628 +
, https://github.com/callowbird/Harmonica +
, https://github.com/coin-or/rbfopt +
, https://github.com/determined-ai/determined +
, https://github.com/dmlc/xgboost +
, https://sigopt.com +
, https://github.com/facebook/Ax +
, https://github.com/facebookresearch/nevergrad +
, https://indiesolver.com +
, https://github.com/google/pyglove +
, http://topepo.github.io/caret/random-hyperparameter-search.html +
, http://docs.h2o.ai/h2o/latest-stable/h2o-docs/automl.html +
, https://github.com/huawei-noah/HEBO +
, https://github.com/hyperopt/hyperopt +
, https://github.com/hyperopt/hyperopt-sklearn +
, https://github.com/PhilippPro/tuneRanger +
, https://orion.readthedocs.io/ +
, https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.RandomizedSearchCV.html +
, https://github.com/automl/DEHB +
, https://github.com/automl/HpBandSter +
, https://github.com/automl/SMAC3 +
, https://github.com/automl/auto-sklearn +
, https://github.com/autonomio/talos +
, https://github.com/baptistar/BOCS +
, https://github.com/sherpa-ai/sherpa +
, https://github.com/soravux/scoop +
, https://aws.amazon.com/sagemaker/ +
, https://github.com/wwu-mmll/photonai +
, https://github.com/joeddav/devol +
, https://github.com/kubeflow/katib +
, https://github.com/kubeflow/katib/ +
, https://iridia.ulb.ac.be/irace/ +
, https://optuna.readthedocs.io/en/latest/ +
, https://github.com/lucfra/FAR-HO +
, https://github.com/maxpumperla/hyperas +
, https://github.com/mlr-org/mlr +
, https://github.com/mlr-org/mlrMBO +
, https://github.com/rsteca/sklearn-deap +
, https://github.com/scikit-optimize/scikit-optimize +
|
| http://dbpedia.org/ontology/wikiPageID
|
54361643
|
| http://dbpedia.org/ontology/wikiPageLength
|
36148
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1114024235
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Evolutionary_algorithm +
, http://dbpedia.org/resource/Genetic_programming +
, http://dbpedia.org/resource/Parameter +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
, http://dbpedia.org/resource/Dlib +
, http://dbpedia.org/resource/Differential_evolution +
, http://dbpedia.org/resource/Evolution +
, http://dbpedia.org/resource/Embarrassingly_parallel +
, http://dbpedia.org/resource/Neural_architecture_search +
, http://dbpedia.org/resource/Category:Mathematical_optimization +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Fitness_function +
, http://dbpedia.org/resource/Caret +
, http://dbpedia.org/resource/Brute-force_search +
, http://dbpedia.org/resource/Meta-optimization +
, http://dbpedia.org/resource/Neural_Network_Intelligence +
, http://dbpedia.org/resource/Trust_region +
, http://dbpedia.org/resource/R_%28programming_language%29 +
, http://dbpedia.org/resource/Keras +
, http://dbpedia.org/resource/Scikit-learn +
, http://dbpedia.org/resource/Radial_basis_function +
, http://dbpedia.org/resource/CMA-ES +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Hyperparameter_%28machine_learning%29 +
, http://dbpedia.org/resource/Statistical_classification +
, http://dbpedia.org/resource/Tree_of_Parzen_estimators +
, http://dbpedia.org/resource/Spectral_method +
, http://dbpedia.org/resource/File:Hyperparameter_Optimization_using_Tree-Structured_Parzen_Estimators.svg +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/PySpark +
, http://dbpedia.org/resource/File:Hyperparameter_Optimization_using_Grid_Search.svg +
, http://dbpedia.org/resource/Support_vector_machine +
, http://dbpedia.org/resource/File:Hyperparameter_Optimization_using_Random_Search.svg +
, http://dbpedia.org/resource/Crossover_%28genetic_algorithm%29 +
, http://dbpedia.org/resource/Curse_of_dimensionality +
, http://dbpedia.org/resource/Category:Model_selection +
, http://dbpedia.org/resource/Evolutionary_algorithms +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Mutation_%28genetic_algorithm%29 +
, http://dbpedia.org/resource/Bayesian_optimization +
, http://dbpedia.org/resource/XGBoost +
, http://dbpedia.org/resource/Radial_basis_function_kernel +
, http://dbpedia.org/resource/Particle_swarm_optimization +
, http://dbpedia.org/resource/Automated_machine_learning +
, http://dbpedia.org/resource/Automatic_differentiation +
, http://dbpedia.org/resource/Semidefinite_programming +
, http://dbpedia.org/resource/Self-tuning +
, http://dbpedia.org/resource/Implicit_function_theorem +
, http://dbpedia.org/resource/Evolution_strategy +
, http://dbpedia.org/resource/Model_selection +
, http://dbpedia.org/resource/Cartesian_product +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Differentiable_computing +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Model_selection +
, http://dbpedia.org/resource/Category:Mathematical_optimization +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Problem +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Hyperparameter_optimization?oldid=1114024235&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Hyperparameter_Optimization_using_Random_Search.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Hyperparameter_Optimization_using_Tree-Structured_Parzen_Estimators.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Hyperparameter_Optimization_using_Grid_Search.svg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Hyperparameter_optimization +
|
| owl:sameAs |
http://uk.dbpedia.org/resource/%D0%9E%D0%BF%D1%82%D0%B8%D0%BC%D1%96%D0%B7%D0%B0%D1%86%D1%96%D1%8F_%D0%B3%D1%96%D0%BF%D0%B5%D1%80%D0%BF%D0%B0%D1%80%D0%B0%D0%BC%D0%B5%D1%82%D1%80%D1%96%D0%B2 +
, https://global.dbpedia.org/id/4XiFG +
, http://www.wikidata.org/entity/Q48996162 +
, http://dbpedia.org/resource/Hyperparameter_optimization +
, http://ru.dbpedia.org/resource/%D0%9E%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D0%B3%D0%B8%D0%BF%D0%B5%D1%80%D0%BF%D0%B0%D1%80%D0%B0%D0%BC%D0%B5%D1%82%D1%80%D0%BE%D0%B2 +
, http://de.dbpedia.org/resource/Hyperparameteroptimierung +
, http://rdf.freebase.com/ns/m.0gyv37n +
|
| rdf:type |
http://dbpedia.org/ontology/Disease +
|
| rdfs:comment |
Оптимизация гиперпараметров — задача машин … Оптимизация гиперпараметров — задача машинного обучения по выбору набора оптимальных для обучающего алгоритма. Одни и те же виды моделей машинного обучения могут требовать различные предположения, веса или скорости обучения для различных видов данных. Эти параметры называются гиперпараметрами и их следует настраивать так, чтобы модель могла оптимально решить задачу обучения. Для этого находится кортеж гиперпараметров, который даёт оптимальную модель, оптимизирующую заданную функцию потерь на заданных независимых данных. Целевая функция берёт кортеж гиперпараметров и возвращает связанные с ними потери. Часто используется перекрёстная проверка для оценки этой обобщающей способности.ка для оценки этой обобщающей способности.
, Оптимізація гіперпараметрів — задача машин … Оптимізація гіперпараметрів — задача машинного навчання по вибору множини оптимальних гіперпараметрів для алгоритму машинного навчання. Гіперпараметр є параметром, значення якого використовується для керування процесом навчання. На відміну від значень інших параметрів (наприклад, вагових коефіцієнтів), які потрібно вивчити.гових коефіцієнтів), які потрібно вивчити.
, In machine learning, hyperparameter optimi … In machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm. A hyperparameter is a parameter whose value is used to control the learning process. By contrast, the values of other parameters (typically node weights) are learned.ters (typically node weights) are learned.
, Im Bereich des maschinellen Lernens bezeic … Im Bereich des maschinellen Lernens bezeichnet Hyperparameteroptimierung die Suche nach optimalen Hyperparametern. Ein Hyperparameter ist ein Parameter, der zur Steuerung des Trainingsalgorithmus verwendet wird und dessen Wert im Gegensatz zu anderen Parametern vor dem eigentlichen Training des Modells festgelegt werden muss.aining des Modells festgelegt werden muss.
|
| rdfs:label |
Hyperparameter optimization
, Оптимізація гіперпараметрів
, Hyperparameteroptimierung
, Оптимизация гиперпараметров
|
