我是机器学习的新手，对调优感到困惑。机器学习调整的目的是什么？为算法选择最佳参数？调音如何工作？
在不进行似乎适合Stackoverflow的技术演示的情况下，这里有一些一般性想法。本质上，可以认为机器学习的最终目标是使机器系统能够根据数据自动构建模型，而无需繁琐且费时的人工干预。如您所知，困难之一是学习算法（例如决策树，随机森林，聚类技术等）要求您在使用模型之前设置参数（或至少设置对这些参数的约束）。如何设置这些参数可能取决于很多因素。也就是说，您的目标通常是将这些参数设置为最佳值，以使您能够以最佳方式完成学习任务。因此，调整算法或机器学习技术，
为了更加具体，这里有一些示例。如果采用像KNN这样的机器学习算法进行聚类，您会注意到，作为程序员，您必须指定模型（或质心）中使用的K数。你怎么做到这一点？您调整模型。您可以通过多种方式来执行此操作。其中之一可能是为模型尝试许多不同的K值，并希望了解模型中K的数量时，组间和组内误差是如何产生的。
作为另一个示例，让我们考虑说支持向量机（SVM）经典化。SVM分类需要一个初始学习阶段，其中训练数据用于调整分类参数。这实际上是指初始参数调整阶段，在此阶段，作为程序员，您可能会尝试“调整”模型以获得高质量的结果。
现在，您可能会认为此过程可能很困难，而且您是对的。实际上，由于难以确定最佳模型参数是什么，一些研究人员在对具有更好调整参数的更简单替代方法进行充分试验之前，先使用复杂的学习算法。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句