En el aprendizaje automático, utilizamos el término hiperparámetro para distinguirnos de los parámetros del modelo estándar. Por lo tanto, vale la pena entender primero cuáles son esos.
Un modelo de aprendizaje automático es la definición de una fórmula matemática con una serie de parámetros que deben aprenderse de los datos. Ese es el quid del aprendizaje automático: ajustar un modelo a los datos. Esto se realiza a través de un proceso conocido como entrenamiento modelo . En otras palabras, al entrenar un modelo con datos existentes, podemos ajustar los parámetros del modelo.
Sin embargo, hay otro tipo de parámetros que no se pueden aprender directamente del proceso de capacitación regular. Estos parámetros expresan propiedades de “nivel superior” del modelo, como su complejidad o la rapidez con que debe aprender. Se llaman hiperparámetros . Los hiperparámetros generalmente se arreglan antes de que comience el proceso de capacitación real.
- ¿Qué tema es adecuado para un taller de aprendizaje automático para estudiantes de secundaria típicos?
- ¿Cuáles son algunos consejos generales sobre selección de características e ingeniería que todo científico de datos debe saber?
- ¿Cuál es el mejor marco de aprendizaje profundo que puedo usar para clasificar las imágenes de resonancia magnética? ¿Keras es adecuado para eso?
- ¿Por qué se usa tanto el aumento de gradiente con los árboles de decisión, en lugar de con otros clasificadores?
- ¿Cuál es la diferencia entre machine learning y IOT?
Entonces, ¿cómo se deciden los hiperparámetros ? Probablemente esté más allá del alcance de esta pregunta, pero es suficiente decir que, en términos generales, esto se hace estableciendo diferentes valores para esos hiperparámetros, entrenando diferentes modelos y decidiendo cuáles funcionan mejor probándolos.
Entonces, para resumir. Hiperparámetros:
- Defina conceptos de nivel superior sobre el modelo, como la complejidad o la capacidad de aprender.
- No se puede aprender directamente de los datos en el proceso de capacitación del modelo estándar y debe predefinirse.
- Se puede decidir estableciendo diferentes valores, entrenando diferentes modelos y eligiendo los valores que prueban mejor
Algunos ejemplos de hiperparámetros:
- Número de hojas o profundidad de un árbol.
- Número de factores latentes en una factorización matricial.
- Tasa de aprendizaje (en muchos modelos)
- Número de capas ocultas en una red neuronal profunda.
- Número de agrupaciones en una agrupación de k-medias
- …