机器学习中的超参数是什么意思?
0 556
2
该提问暂无详细描述
收藏
2021-01-19 15:58 更新 🍊小桔子 •  2439
共 1 个回答
高赞 时间
0

在机器学习中,我们使用术语“超参数”来区分标准模型参数。所以,有必要先了解超参数的概念是什么。

机器学习模型是一个数学公式的定义,它包含一些需要从数据中学习的参数。这就是机器学习的关键:将模型与数据相匹配。这个步骤是通过一个称为模型训练的过程来完成的。换句话说,通过用现有数据训练模型,我们能够拟合模型参数。

然而,还有一种参数是不能从常规训练过程中直接学习到的,这些参数表示模型的“高级”属性,如复杂性或学习率,它们被称为超参数。超参数通常在实际训练过程开始之前就固定好了。

那么,超参数是如何决定的呢?这可能超出了这个问题的范围,但我只想说,广义地说,这是通过为这些超参数设置不同的值,训练不同的模型,并通过测试来决定哪个最有效。

所以,关于超参数的概念,我的总结如下: 定义关于模型的更高层次的概念,如复杂性或学习能力。 不能直接从标准模型训练过程中的数据中学习,需要预先定义。 可以通过设置不同的值,训练不同的模型,并选择测试更好的值来决定。

超参数的一些例子:

  • 树的数量或树的深度
  • 矩阵分解中潜在因子的个数
  • 学习率(在许多模型中)
  • 深度神经网络的隐含层数
  • 一个k-means聚类中聚类的数目

收藏
2021-01-19 16:15 更新 Lisa •  1800