Réglage Des Paramètres
Réglage des paramètresIl s'agit d'ajuster les paramètres pour obtenir de meilleurs résultats, dans le but d'obtenir un meilleur modèle : corriger les erreurs et améliorer la précision de l'entraînement du réseau neuronal.
Les paramètres optimaux d’un modèle dépendent de nombreux scénarios. Lors de l’évaluation et de la sélection du modèle, outre le choix de l’algorithme, ses paramètres doivent également être définis. Le réglage des paramètres est le processus consistant à terminer le réglage des paramètres. La pratique courante actuelle consiste à sélectionner une plage et à modifier le pas du paramètre, par exemple entre [0, 0,2] avec un pas de 0,05. De cette manière, 5 valeurs de paramètres candidates peuvent être obtenues, et la valeur idéale sera obtenue à partir de ces 5 valeurs candidates. Bien que la valeur du paramètre obtenue de cette manière ne soit pas la valeur optimale, elle peut constituer un compromis entre la surcharge de calcul et l’estimation des performances.
Méthode de mise en œuvre du réglage des paramètres
- Le modèle possède plusieurs paramètres ajustables, tels que le type de fonction du noyau dans SVM, la taille de la valeur C et la profondeur de l'arbre de décision ;
- Après avoir sélectionné les fonctionnalités et les modèles de base, vous pouvez améliorer la précision en ajustant les paramètres du modèle ;
- Pour les modèles avec plusieurs paramètres, chaque paramètre doit être testé un par un s'il a des valeurs différentes.
- Pour l'évaluation du modèle, des méthodes de validation croisée sont généralement utilisées, telles que la méthode K-fold, qui divise l'ensemble d'apprentissage en k parties égales, puis sélectionne une partie de 1 à k comme ensemble de test à chaque fois, et le reste comme ensemble d'apprentissage. Les règles formées sont utilisées pour la notation du modèle, et finalement le score le plus élevé parmi les k scores est considéré comme le score final.
Habituellement, l’effet discriminant sur l’ensemble de test sera utilisé pour estimer la capacité de généralisation du modèle dans une application réelle. Les données d'entraînement seront divisées en un ensemble d'entraînement et un ensemble de validation, et la sélection du modèle et l'ajustement des paramètres seront effectués en fonction des performances de l'ensemble de validation.