Hay una variedad de formas de lograr mejores hiperparámetros que la cuadrícula o la búsqueda aleatoria.
Si la función que está evaluando es relativamente barata de evaluar (tiempo de reloj de pared y / o CPU), y no es un espacio de parámetros demasiado complejo, entonces puede usar algoritmos basados en población como Enjambre de partículas, Algoritmos genéticos o Evolución diferencial.
La optimización bayesiana es un enfoque más eficiente y flexible, por lo que si su función es costosa de evaluar o tiene un espacio de parámetros complejo, una herramienta como hyperopt puede funcionar bien.
- ¿En qué casos debo usar TensorFlow, PyTorch y Caffe2?
- ¿Hay algún otro clasificador de aprendizaje profundo como softmax?
- ¿Usarías un mejor cuaderno Jupyter?
- ¿Cómo se usan las estadísticas en Machine Learning?
- ¿Cuáles son los roles de probabilidad y estadística en el aprendizaje automático? ¿Qué tan importantes son? ¿Cuáles son sus aplicaciones en el aprendizaje automático?
Descargo de responsabilidad: La empresa para la que trabajo, SigOpt, está en este espacio, pero nuestro producto está dirigido a académicos, grupos de trabajo y empresas, no a usuarios individuales. Entonces, si estás en el grupo anterior, deberíamos hablar 🙂
