Ottimizzazione degli iperparametri

Vincere una competizione Kaggle con Python

Yauhen Babakhin

Kaggle Grandmaster

Iterazioni

Modello RMSE validazione RMSE LB pubblico Posizione LB pubblico
Media semplice 9.986 9.409 1449 / 1500
Media per gruppo 9.978 9.407 1411 / 1500
Gradient Boosting 5.996 4.595 1109 / 1500
Aggiungi feature ora 5.553 4.352 1068 / 1500
Aggiungi feature distanza 5.268 4.103 1006 / 1500
... ... ... ...
Vincere una competizione Kaggle con Python

Iterazioni

Modello RMSE validazione RMSE LB pubblico Posizione LB pubblico
Media semplice 9.986 9.409 1449 / 1500
Media per gruppo 9.978
Gradient Boosting 5.996 4.595 1109 / 1500
Aggiungi feature ora 5.553
Aggiungi feature distanza 5.268 4.103 1006 / 1500
... ... ... ...
Vincere una competizione Kaggle con Python

Ottimizzazione degli iperparametri

 

Tipo di competizione Feature engineering Ottimizzazione iperparametri
Machine Learning classico +++ +
Deep Learning - +++
Vincere una competizione Kaggle con Python

Ridge regression

 

Regressione lineare ai minimi quadrati

$$Loss = \sum_{i=1}^{N}{(y_i - \hat{y}_i)^2} \to \min$$

Vincere una competizione Kaggle con Python

Regressione Ridge

 

Regressione lineare ai minimi quadrati

$$Loss = \sum_{i=1}^{N}{(y_i - \hat{y}_i)^2} \to \min$$

Regressione Ridge

$$Loss = \sum_{i=1}^{N}{(y_i - \hat{y}_i)^2 + \alpha\sum_{j=1}^{K}{{w_j}^2}} \to \min$$

Vincere una competizione Kaggle con Python

Strategie di ottimizzazione degli iperparametri

 

  • Grid search. Scegli una griglia predefinita di valori degli iperparametri
  • Random search. Definisci lo spazio di ricerca dei valori degli iperparametri
  • Ottimizzazione bayesiana. Definisci lo spazio di ricerca dei valori degli iperparametri

schema grid search

schema random search

Vincere una competizione Kaggle con Python

Grid search

# Possible alpha values
alpha_grid = [0.01, 0.1, 1, 10]

from sklearn.linear_model import Ridge
results = {}
# For each value in the grid
for candidate_alpha in alpha_grid:

    # Create a model with a specific alpha value
    ridge_regression = Ridge(alpha=candidate_alpha)

    # Find the validation score for this model

    # Save the results for each alpha value
    results[candidate_alpha] = validation_score
Vincere una competizione Kaggle con Python

Ayo berlatih!

Vincere una competizione Kaggle con Python

Preparing Video For Download...