Introdução
No aprendizado de máquina, os modelos são treinados para prever rótulos desconhecidos para novos dados com base nas correlações entre os rótulos conhecidos e os recursos encontrados nos dados de treinamento. Dependendo do algoritmo usado, talvez seja necessário especificar os hiperparâmetros para configurar como o modelo será treinado.
Por exemplo, o algoritmo de regressão logística usa um hiperparâmetro de taxa de regularização para neutralizar o sobreajuste e as técnicas de aprendizado profundo para CNNs (redes neurais convolucionais) usam hiperparâmetros como a taxa de aprendizado para controlar a maneira como os pesos são ajustados durante o treinamento e o tamanho do lote para determinar quantos itens de dados serão incluídos em cada lote de treinamento.
Observação
O Aprendizado de Máquina é um campo acadêmico com sua própria terminologia específica. Os cientistas de dados se referem aos valores determinados por meio dos recursos de treinamento como parâmetros, portanto, é necessário um termo diferente para os valores que são usados na configuração do comportamento de treinamento, mas que não são derivados dos dados de treinamento, daí o termo hiperparâmetro.
A escolha dos valores de hiperparâmetro pode afetar significativamente o modelo resultante, tornando importante selecionar os melhores valores possíveis para os dados específicos e para as metas preditivas de desempenho.
Ajuste de hiperparâmetros
O ajuste de hiperparâmetro é realizado por meio do treinamento de vários modelos, usando o mesmo algoritmo e os mesmos dados de treinamento, mas valores de hiperparâmetro diferentes. O modelo resultante de cada execução de treinamento é avaliado para determinar a métrica de desempenho para a qual você deseja otimizar (por exemplo, precisão) e o modelo de melhor desempenho é selecionado.
No Azure Machine Learning, você pode ajustar hiperparâmetros enviando um script como um trabalho de varredura. Um trabalho de varredura executará uma avaliação para cada combinação de hiperparâmetro a ser testada. Cada avaliação usa um script de treinamento com os valores de hiperparâmetro parametrizados para treinar um modelo e registra a métrica de desempenho de destino alcançada pelo modelo treinado.
Objetivos de aprendizagem
Neste módulo, você aprenderá a:
- Definir o espaço de pesquisa de hiperparâmetro.
- Configurar a amostragem do hiperparâmetro.
- Especificar política de término antecipado.
- Executar um trabalho de varredura.