機器學(xué)習(xí)算法已廣泛應(yīng)用于各種應(yīng)用和領(lǐng)域。為了使機器學(xué)習(xí)模型適合不同的問題,必須調(diào)整其超參數(shù),為機器學(xué)習(xí)模型選擇最佳的超參數(shù)配置會直接影響模型的性能,通常需要對機器學(xué)習(xí)算法和適當(dāng)?shù)某瑓?shù)優(yōu)化技術(shù)有深入的了解。盡管存在幾種自動優(yōu)化技術(shù),但是當(dāng)應(yīng)用于不同類型的問題時,它們具有不同的優(yōu)缺點。研究了常見機器學(xué)習(xí)模型的超參數(shù)優(yōu)化問題,介紹了幾種最先進(jìn)的優(yōu)化技術(shù),討論了將其應(yīng)用于機器學(xué)習(xí)算法,并且提供了許多針對超參數(shù)優(yōu)化問題而開發(fā)的可用庫和框架。 

【文章來源】：電腦編程技巧與維護. 2020,(12)

【文章頁數(shù)】：3 頁

【文章目錄】：
1 概述
2 數(shù)學(xué)優(yōu)化和超參數(shù)優(yōu)化問題
    2.1 數(shù)學(xué)優(yōu)化
    2.2 超參數(shù)優(yōu)化問題陳述
3 機器學(xué)習(xí)模型中的超參數(shù)
4 結(jié)語


【參考文獻(xiàn)】：
期刊論文
[1]基于梯度下降法的離散概率空間區(qū)域射擊瞄準(zhǔn)點求解方法[J]. 賈正榮,王航宇,盧發(fā)興.  兵工學(xué)報. 2018(12)
[2]基于人群的神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化的研究[J]. 朱匯龍,劉曉燕,劉瑤.  信息技術(shù). 2018(11)
[3]符號數(shù)據(jù)的無監(jiān)督學(xué)習(xí):一種空間變換方法[J]. 王建新,錢宇華.  計算機科學(xué). 2016(01)
[4]大數(shù)據(jù)下的機器學(xué)習(xí)算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)



本文編號：3175736