超参数:
在机器学习的上下⽂中,超参数是在开始学习过程之前设置值的参数,⽽不是通过训练得到的参数数据。通常情况 下,需要对超参数进⾏优化,给学习机选择⼀组最优超参数,以提⾼学习的性能和效果。
超参数具体来讲⽐如算法中的学习率(learning rate)、梯度下降法迭代的数量(iterations)、隐藏层数⽬(hidden layers)、隐藏层单元数⽬、激活函数( activation function)都需要根据实际情况来设置,这些数字实际上控制了最后的 参数和的值,所以它们被称作超参数。
寻找超参数的最优值?
在使⽤机器学习算法时,总有⼀些难调的超参数。例如权重衰减⼤⼩,⾼斯核宽度等等。这些参数需要⼈为设置,设置的值 对结果产⽣较⼤影响。常见设置超参数的⽅法有:
1. 猜测和检查:根据经验或直觉,选择参数,⼀直迭代。
2. ⽹格搜索:让计算机尝试在⼀定范围内均匀分布的⼀组值。
3. 随机搜索:让计算机随机挑选⼀组值。
超参数搜索⼀般过程?
1. 将数据集划分成训练集、验证集及测试集。
2. 在训练集上根据模型的性能指标对模型参数进⾏优化。
3. 在验证集上根据模型的性能指标对模型的超参数进⾏搜索。
4. 步骤 2 和步骤 3 交替迭代,最终确定模型的参数和超参数,在测试集中验证评价模型的优劣。