深入机器学习模型的超参数调优,关注什么是超参数以及它们是如何工作的。这本书讨论了超参数调优的不同技术,从基础到高级方法。
这是一个循序渐进的超参数优化指南,从什么是超参数以及它们如何影响机器学习模型的不同方面开始。然后通过一些基本的(蛮力的)超参数优化算法。进一步,作者提出了时间和内存约束的问题,使用分布式优化方法。接下来,您将讨论超参数搜索的贝叶斯优化,它从以前的历史中学习。
这本书讨论了不同的框架,如Hyperopt和Optuna,它们实现了基于顺序模型的全局优化(SMBO)算法。在这些讨论中,您将关注不同的方面,比如搜索空间的创建和这些库的分布式优化。
机器学习中的超参数优化创建了对这些算法如何工作的理解,以及如何在现实生活中的数据科学问题中使用它们。最后一章总结了超参数优化在自动机器学习中的作用,并以创建自己的AutoML脚本的教程结束。
超参数优化是一项繁琐的任务,所以请坐下来,让这些算法来完成您的工作。
https://link.springer.com/book/10.1007/978-1-4842-6579-6#about
你会:
了解超参数的变化如何影响模型的性能。
将不同的超参数调优算法应用于数据科学问题
使用贝叶斯优化方法创建高效的机器学习和深度学习模型
使用一组机器来分配超参数优化
利用超参数优化方法实现自动机器学习