[B! パラメータ] zmsgnkのブックマーク

zmsgnk id:zmsgnk

パラメータに関するzmsgnkのブックマーク (2)

ハイパーパラメータ自動調整いろいろ - Qiita
Kerasでハイパーパラメータの自動調整いろいろディープラーニングを使う際の大きな課題の一つがハイパーパラメータのチューニングです。ニューラルネットワークのニューロン数やドロップ率、ラーニング率といったパラメータを調整し、より良いモデルを作る必要があります。どのパラメータ値が良いのかは先例や経験から決めることができますが、始めてのモデルを使う場合は、やはりパラメータのチューニングをしなければなりません。ハイパーパラメータ・チューニングの方法は手動調整と自動調整があります。手動でパラメータを試していくよりも、やはり自動調整でパラメータを探索していくほうが便利です。パラメータ自動調整の方法ニューラルネットワークに限りませんが、機械学習のパラメータ調整を行う方法は多種多様にあります。以下に例を挙げます。ランダム・サーチ RandomizedSearchCV：　ランダムにパラメータ
zmsgnk 2017/12/02
ベイズ最適化

パラメータ

機械学習

最適化
リンク
xgboost のパラメータ - puyokwの日記
xgboost を使う上で、日本語のサイトが少ないと感じましたので、今回はパラメータについて、基本的にこちらのサイトの日本語訳です。 github.com xgboost を実行する前に、共通変数、ブースター変数、タスク変数の３つをセットしなければなりません。共通変数は、木あるいは線形モデルのブースティングモデルに共通の変数ですブースター変数は、木あるいは線形モデルの各々に固有の変数ですタスク変数は、どのように学習させるかを決めるもので、例えば、回帰タスクではランキングタスクの変数が異なっていますこの３つの変数に加えて、コンソール変数があり、これはxgboost のコンソール版の動作に関連しています。(たとえば、作製したモデルを保存するときなど) Rパッケージにおける変数 R のパッケージでは、. (ドット) を_ (アンダーバー)に置き換えて利用できます。例えば、max.dept
zmsgnk 2015/11/11
xgboost

パラメータ
リンク
1