1700533830
1700533831
分析与解答
1700533832
1700533833
1700533834
1700533835
1700533836
一个样本在一次抽样过程中未被抽中的概率为,n次抽样均未抽中的概率为。当n趋于无穷大时,概率为。
1700533837
1700533838
1700533839
根据重要极限,,所以有
1700533840
1700533841
1700533842
1700533843
1700533844
1700533845
.
1700533846
1700533847
(2.17)
1700533848
1700533849
因此,当样本数很大时,大约有36.8%的样本从未被选择过,可作为验证集。
1700533850
1700533851
1700533852
1700533853
1700533855
百面机器学习:算法工程师带你去面试 06 超参数调优
1700533856
1700533857
1700533858
1700533859
场景描述
1700533860
1700533861
对于很多算法工程师来说,超参数调优是件非常头疼的事。除了根据经验设定所谓的“合理值”之外,一般很难找到合理的方法去寻找超参数的最优取值。而与此同时,超参数对于模型效果的影响又至关重要。有没有一些可行的办法去进行超参数的调优呢?
1700533862
1700533863
问题 超参数有哪些调优方法?
1700533864
1700533865
难度:★★★☆☆
1700533866
1700533867
分析与解答
1700533868
1700533869
为了进行超参数调优,我们一般会采用网格搜索、随机搜索、贝叶斯优化等算法。在具体介绍算法之前,需要明确超参数搜索算法一般包括哪几个要素。一是目标函数,即算法需要最大化/最小化的目标;二是搜索范围,一般通过上限和下限来确定;三是算法的其他参数,如搜索步长。
1700533870
1700533871
■ 网格搜索
1700533872
1700533873
网格搜索可能是最简单、应用最广泛的超参数搜索算法,它通过查找搜索范围内的所有的点来确定最优值。如果采用较大的搜索范围以及较小的步长,网格搜索有很大概率找到全局最优值。然而,这种搜索方案十分消耗计算资源和时间,特别是需要调优的超参数比较多的时候。因此,在实际应用中,网格搜索法一般会先使用较广的搜索范围和较大的步长,来寻找全局最优值可能的位置;然后会逐渐缩小搜索范围和步长,来寻找更精确的最优值。这种操作方案可以降低所需的时间和计算量,但由于目标函数一般是非凸的,所以很可能会错过全局最优值。
1700533874
1700533875
■ 随机搜索
1700533876
1700533877
随机搜索的思想与网格搜索比较相似,只是不再测试上界和下界之间的所有值,而是在搜索范围中随机选取样本点。它的理论依据是,如果样本点集足够大,那么通过随机采样也能大概率地找到全局最优值,或其近似值。随机搜索一般会比网格搜索要快一些,但是和网格搜索的快速版一样,它的结果也是没法保证的。
1700533878
1700533879
■ 贝叶斯优化算法
[
上一页 ]
[ :1.70053383e+09 ]
[
下一页 ]