Parametry a hiperparametry

Dostrajanie hiperparametrów w R

Dr. Shirin Elsinghorst

Senior Data Scientist

O mnie

www.shirin-glander.de

O mnie

"Hiper"parametry a parametry modelu

Przyjrzyjmy się przykładowemu zbiorowi danych:

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

I zbudujmy prosty model liniowy.

Zacznijmy od podstaw: parametry modelu liniowego

# 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 *

Zacznijmy od podstaw: parametry modelu liniowego

Parametry modelu są dopasowywane (tj. wyznaczane) podczas trenowania.
Są wynikiem dopasowania lub trenowania modelu.
W modelu liniowym szukamy współczynników.

linear_model$coefficients

(Intercept) fractal_dimension_mean 
   167.5972              -926.3866

Możemy o nich myśleć jak o nachyleniu i przecięciu z osią Y naszego modelu.

Współczynniki w modelu liniowym

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])

Parametry modelu a hiperparametry w modelu liniowym

Przypomnienie: parametry modelu są dopasowywane (tj. wyznaczane) podczas trenowania; są wynikiem dopasowania lub trenowania modelu.
Hiperparametry są ustawiane przed treningiem.
Określają, JAK ma przebiegać trenowanie.

args(lm)
help(lm)
?lm

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

Parametry a hiperparametry w uczeniu maszynowym

W naszym modelu liniowym:

Współczynniki zostały wyznaczone podczas dopasowania.

method było opcją ustawianą przed dopasowaniem.

W uczeniu maszynowym możemy mieć:

Wagi i odchylenia sieci neuronowych optymalizowane podczas trenowania => parametry modelu.
Opcje takie jak współczynnik uczenia, zanikanie wag i liczba drzew w modelu Random Forest => hiperparametry.

Dlaczego warto dostrajać hiperparametry?

Gracze w fantasy football ~ Hiperparametry
Pozycje graczy ~ wartości hiperparametrów
Szukanie najlepszej kombinacji graczy i pozycji ~ szukanie najlepszej kombinacji hiperparametrów

Czas na ćwiczenia!

Dostrajanie hiperparametrów w R