Livro de receitas de aprendizagem automática com Python, 2ª edição

Capítulo 12. Seleção de modelos

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

12.0 Introdução

Na aprendizagem automática , utilizamos algoritmos de formação para aprender os parâmetros de um modelo minimizando uma função de perda. No entanto, muitos algoritmos de aprendizagem (por exemplo, classificador de vetor de suporte e florestas aleatórias) têm hiperparâmetros adicionais que são definidos pelo usuário e afetam a forma como o modelo aprenderá seus parâmetros. Como mencionado anteriormente, os parâmetros (também chamados de pesos do modelo) são o que os modelos aprendem durante o processo de treinamento, enquanto os hiperparâmetros são fornecidos manualmente por nós (os usuários).

Por exemplo, florestas aleatórias são coleções de árvores de decisão (daí a palavra floresta); no entanto, o número de árvores de decisão na floresta não é aprendido pelo algoritmo e deve ser definido antes do ajuste. Isso é geralmente chamado de ajuste de hiperparâmetro, otimização de hiperparâmetro ou seleção de modelo. Além disso, podes querer experimentar vários algoritmos de aprendizagem (por exemplo, experimentar o classificador de vetor de suporte e as florestas aleatórias para ver qual método de aprendizagem produz o melhor modelo).

Embora haja uma grande variação terminológica nesta área, neste livro referimo-nos à seleção do melhor algoritmo de aprendizagem e dos seus melhores hiperparâmetros como seleção de modelos. ...