L'ajustement manuel des hyperparamètres est chronophage et sujet aux erreurs à grande échelle. PAI AutoML automatise l'optimisation des hyperparamètres (HPO) pour vous aider à trouver plus rapidement la configuration de modèle la plus performante, tout en réduisant le gaspillage de ressources de calcul.
Concepts
Informations générales
En apprentissage automatique, les hyperparamètres sont des paramètres externes définis avant le début de l'entraînement. Ils restent fixes tout au long de l'exécution, contrairement aux paramètres du modèle qui sont mis à jour continuellement pendant l'apprentissage.
L'HPO consiste à trouver les valeurs optimales des hyperparamètres. Pour les modèles comportant plusieurs hyperparamètres, ceux-ci forment un vecteur multidimensionnel. L'HPO identifie le vecteur spécifique offrant les performances optimales du modèle, comme la valeur minimale de la fonction de perte, parmi toutes les plages de valeurs possibles.
Par exemple, un modèle doté de deux hyperparamètres A et B, où A prend les valeurs a, b ou c et B les valeurs d ou e, présente six combinaisons possibles. L'HPO identifie la combinaison offrant les meilleures performances en entraînant le modèle avec chaque combinaison sur le même jeu de données et en comparant les résultats.
HPO dans AutoML
Les modèles concrets comportent généralement de nombreux hyperparamètres de types mixtes (entiers et nombres à virgule flottante). L'évaluation exhaustive de chaque combinaison exige d'importantes ressources de calcul. AutoML fournit un moteur HPO automatisé qui explore efficacement l'espace des hyperparamètres pour vous.
AutoML offre :
Réduction des efforts manuels : La recherche automatisée remplace l'ajustement manuel, ce qui permet d'économiser un temps et des efforts d'ingénierie considérables.
Meilleure qualité du modèle : Plusieurs algorithmes PAI collaborent pour localiser rapidement les combinaisons optimales d'hyperparamètres, produisant ainsi des modèles plus précis.
Coût de calcul réduit : AutoML évalue les performances du modèle pendant l'entraînement et arrête prématurément les essais peu prometteurs, vous permettant d'obtenir les meilleurs hyperparamètres sans évaluer chaque combinaison.
Options de calcul flexibles : Exécutez les tâches d'entraînement sur des ressources DLC ou MaxCompute, selon celles qui correspondent le mieux à votre infrastructure.
Cas d'utilisation
AutoML s'applique à toute tâche d'apprentissage automatique nécessitant un ajustement des hyperparamètres. Voici quelques scénarios courants :
Classification binaire — par exemple, déterminer si un utilisateur est payant.
Régression — par exemple, estimer le montant des paiements effectués par un utilisateur sous sept jours.
Clustering — par exemple, déterminer le nombre optimal d'emplacements de magasins pour une marque de cosmétiques dans une ville.
Recommandation — par exemple, affiner les modèles de classement et de récupération pour améliorer les métriques Area Under Curve (AUC).
Apprentissage profond — par exemple, améliorer la précision des tâches de classification multiclasses d'images ou de vidéos.
Rubriques connexes
-
(Recommandé) Décrit le fonctionnement d'AutoML et la relation entre les expériences, les essais et les tâches d'entraînement. Lisez cette rubrique avant de configurer votre première expérience.
-
Décrit comment créer une expérience dans la console PAI et configurer les paramètres clés.
-
Présente des cas d'utilisation pour l'affinement des hyperparamètres à l'aide d'AutoML.