[B! hyperparam_tuning] imyutaroのブックマーク

機械学習のパラメータチューニングを「これでもか！」というくらい丁寧に解説 - Qiita

はじめに私はこれまで機械学習のパラメータチューニングに関し、様々な書籍やサイトで学習を進めてきました。しかしどれもテクニックの解説が主体のものが多く、「なぜチューニングが必要なのか？」という目的に関する記載が非常に少なかったため、体系的な理解に苦労しました。この経験を後世に役立てられるよう、「初心者でも体系的に理解できる丁寧さ！」をモットーに記事にまとめたいと思います。具体的には、 1. パラメータチューニングの目的 2. チューニングの手順とアルゴリズム一覧 3. Pythonでの実装手順 (SVMでの分類を例に) の手順で解説を進めます。独自解釈も含まれるため、間違っている点等ございましたら指摘頂けると有難いです。なお、文中のコードはこちらのGitHubにもアップロードしております。 2021/9/6追記：LightGBMのチューニング実行例追加以下の記事に、Ligh

imyutaro 2024/05/26

リンク

AutoML チュートリアル（HPOとNAS）

AutoMLに関するチュートリアル資料です。主に，ハイパーパラメータ最適化（HPO）とニューラル構造探索（NAS）に関する説明をしています。

imyutaro 2023/03/06

リンク

【Python】Optunaパッケージの紹介！PostgresDBを使った並列分散処理で高速化！【Optuna】

import optuna def objective(trial): x = trial.suggest_uniform('x', -10, 10) return (x - 2) ** 2 DATABASE_URI = 'postgresql://{user}:{password}@{host}:{port}/{database_name}' study_name = 'example2_postgress' study = optuna.create_study( study_name=study_name, storage=DATABASE_URI, load_if_exists=True ) study.optimize(objective, n_trials=100) A new study created in RDB with name: example2_postgress