Цель данной работы заключается в освоении методов автоматического подбора гиперпараметров моделей с использованием библиотеки Hyperopt.
-
Подбор гиперпараметров с помощью Hyperopt:
- Используя предварительно подготовленные данные, включая обработку пропущенных значений, масштабирование и кодирование категориальных переменных, мы выбрали модель и разделили данные на обучающий и тестовый наборы.
- Затем мы определили пространство поиска гиперпараметров и целевую функцию, которую необходимо оптимизировать.
- Запустив процесс оптимизации, мы нашли оптимальные значения гиперпараметров с помощью Hyperopt и обосновали выбор этих значений.
-
Анализ и интерпретация результатов:
- Мы проанализировали полученные результаты оптимизации и сделали выводы о том, как изменение гиперпараметров влияет на производительность выбранной модели.
- Визуализировав результаты оптимизации, мы обеспечили более наглядное понимание процесса и его влияния на модель.
- Оценивая компромиссы между производительностью и вычислительной сложностью, мы приняли во внимание как статистические данные, так и литературные обзоры, чтобы сформулировать информативные выводы.
В результате данной работы мы приобрели навыки работы с Hyperopt и осознали важность правильного выбора диапазонов гиперпараметров, а также адекватной интерпретации результатов оптимизации. Это позволило нам более осознанно и эффективно подбирать параметры моделей, что является важным этапом в процессе машинного обучения.