Paramètres vs hyperparamètres

Optimisation des hyperparamètres en R

Dr. Shirin Elsinghorst

Senior Data Scientist

À propos de moi

www.shirin-glander.de

À propos de moi

« Hyper »paramètres vs paramètres du modèle

Voyons un exemple de jeu de données :

head(breast_cancer_data)

# A tibble: 6 x 11
  diagnosis concavity_mean symmetry_mean fractal_dimension perimeter_se smoothness_se
  <chr>              <dbl>         <dbl>             <dbl>        <dbl>         <dbl>
1 M                 0.300          0.242            0.0787         8.59       0.00640
2 M                 0.0869         0.181            0.0567         3.40       0.00522
3 M                 0.197          0.207            0.0600         4.58       0.00615
4 M                 0.241          0.260            0.0974         3.44       0.00911

Puis construisons un modèle linéaire simple.

Commençons simple : paramètres d'un modèle linéaire

# Create linear model
linear_model <- lm(perimeter_worst ~ fractal_dimension_mean, data = breast_cancer_data)

# Get coefficients
summary(linear_model)$coefficients

                       Estimate Std. Error t value Pr(>|t|)    
(Intercept)              167.60      25.91   6.469  3.9e-09 ***
fractal_dimension_mean  -926.39     392.86  -2.358   0.0204 *

Commençons simple : paramètres d'un modèle linéaire

Les paramètres du modèle sont ajustés (c.-à-d. trouvés) pendant l'entraînement.
Ils sont le résultat de l'ajustement ou de l'entraînement.
Dans un modèle linéaire, on cherche les coefficients.

linear_model$coefficients

(Intercept) fractal_dimension_mean 
   167.5972              -926.3866

On peut les voir comme la pente et l'ordonnée à l'origine du modèle.

Coefficients dans un modèle linéaire

ggp <- ggplot(data = breast_cancer_data, 
              aes(x = fractal_dimension_mean, y = perimeter_worst)) +
        geom_point(color = "grey")

ggp + geom_abline(slope = linear_model$coefficients[2], 
                  intercept = linear_model$coefficients[1])

Paramètres du modèle vs hyperparamètres dans un modèle linéaire

À retenir : les paramètres du modèle sont ajustés (trouvés) pendant l'entraînement ; ils sont le résultat de l'ajustement ou de l'entraînement.
Les hyperparamètres sont définis avant l'entraînement.
Ils précisent COMMENT se déroule l'entraînement.

args(lm)
help(lm)
?lm

linear_model <- lm(perimeter_worst ~ fractal_dimension_mean,
                   data = breast_cancer_data,
                   method = "qr")

Paramètres vs hyperparamètres en Machine Learning

Dans notre modèle linéaire :

Les coefficients ont été trouvés lors de l'ajustement.

method est une option à fixer avant l'ajustement.

En Machine Learning on peut avoir :

Des poids et biais de réseaux de neurones optimisés pendant l'entraînement ⇒ paramètres du modèle.
Des options comme le taux d'apprentissage, le weight decay et le nombre d'arbres d'une Random Forest à ajuster ⇒ hyperparamètres.

Pourquoi régler les hyperparamètres ?

Joueurs de fantasy football ~ Hyperparamètres
Postes des joueurs ~ Valeurs d'hyperparamètre
Trouver la meilleure combinaison de joueurs et de postes ~ Trouver la meilleure combinaison d'hyperparamètres

Passons à la pratique !

Optimisation des hyperparamètres en R