Machine Learning Kochbuch

KAPITEL 12

Modellauswahl

12.0Einführung

Beim maschinellen Lernen verwenden wir Trainingsalgorithmen, um die Parameter eines Modells anzulernen, indem wir eine Verlustfunktion minimieren. Allerdings verfügen viele Lernalgorithmen (etwa Support Vector Classifier¹ und Random Forests²) zusätzlich über Hyperparameter, die außerhalb des Lernprozesses definiert werden müssen. Zum Beispiel handelt es sich bei Random Forests um Sammlungen von Entscheidungsbäumen (daher die englische Bezeichnung Forest = Wald); allerdings wird die Anzahl der Entscheidungsbäume im Wald nicht durch den Algorithmus gelernt und muss vor der Anpassung festgelegt werden. In diesem Zusammenhang spricht man oft von Hyperparameter-Tuning, Hyperparameter-Optimierung oder Modellauswahl. ...