Platform for AI (PAI) menyediakan AutoML untuk membantu Anda mencari kombinasi hiperparameter optimal berdasarkan kebijakan tertentu. Dengan AutoML, Anda dapat meningkatkan efisiensi penyetelan model.
Informasi latar belakang
Dalam pembelajaran mesin, hiperparameter adalah serangkaian parameter yang digunakan untuk melatih model. Anda harus mengonfigurasi hiperparameter sebelum pembelajaran mesin dimulai. Setelah dikonfigurasi, hiperparameter tersebut tetap tidak berubah selama pelatihan model.
Optimasi hiperparameter (HPO) adalah proses menemukan hiperparameter optimal. Jika sebuah model memiliki beberapa hiperparameter, hiperparameter tersebut dianggap sebagai vektor multi-dimensi. HPO menemukan nilai vektor spesifik yang memberikan kinerja model optimal, seperti nilai minimum fungsi loss, di seluruh rentang nilai vektor model ini.
Sebagai contoh, sebuah model memiliki dua hiperparameter A dan B. Nilai yang mungkin untuk A adalah a, b, dan c, dan nilai yang mungkin untuk B adalah d dan e. Dalam hal ini, model memiliki enam kombinasi hiperparameter. HPO menemukan kombinasi spesifik A dan B yang memungkinkan model mencapai kinerja optimal. Untuk mendapatkan kombinasi hiperparameter optimal, gunakan keenam kombinasi A dan B secara terpisah untuk pelatihan model berdasarkan dataset yang sama. Kemudian, bandingkan kinerja model dari kombinasi tersebut.
HPO dalam AutoML
Penyetelan hiperparameter sangat kompleks karena melibatkan sejumlah besar hiperparameter model dengan berbagai tipe data dan rentang nilai. Misalnya, sebuah model memiliki beberapa hiperparameter, di mana beberapa bertipe integer dan lainnya bertipe floating-point. Dalam kasus ini, penyetelan hiperparameter secara manual memerlukan banyak sumber daya komputasi, sehingga sistem otomatis diperlukan untuk menyelesaikan tugas tersebut. Fitur HPO dari AutoML membantu Anda secara otomatis menyetel berbagai hiperparameter.
Anda dapat menggunakan AutoML untuk menyetel hiperparameter secara sederhana, efisien, dan akurat. Berikut adalah manfaat AutoML:
Penyetelan yang disederhanakan: AutoML sangat menyederhanakan proses penyetelan hiperparameter dan menghemat waktu dengan menggunakan alat otomatis.
Peningkatan kualitas model: AutoML mengintegrasikan beberapa algoritma PAI untuk dengan cepat menemukan kombinasi hiperparameter optimal, membantu Anda melatih model secara lebih akurat dan efisien.
Pengurangan sumber daya komputasi: AutoML mengevaluasi kinerja model selama pelatihan untuk menentukan apakah akan menghentikan pelatihan saat ini dan mengevaluasi kombinasi hiperparameter lainnya. Ini memungkinkan Anda mendapatkan kombinasi hiperparameter optimal tanpa perlu mengevaluasi semua kombinasi, sehingga menghemat sumber daya komputasi.
Penggunaan fleksibel sumber daya komputasi: AutoML memungkinkan Anda menggunakan sumber daya DLC dan MaxCompute secara nyaman dan fleksibel.
Skenario
AutoML cocok untuk semua skenario penyetelan hiperparameter dalam pembelajaran mesin. Berikut adalah skenario umum dalam pembelajaran mesin:
Tugas klasifikasi biner, seperti menentukan apakah pengguna adalah pengguna berbayar.
Tugas regresi, seperti memperkirakan jumlah pembayaran yang dilakukan pengguna dalam tujuh hari.
Tugas pengelompokan, seperti menentukan jumlah cabang merek kosmetik di sebuah kota.
Tugas rekomendasi, seperti menyetel ulang model peringkat dan pengambilan, atau meningkatkan metrik luas di bawah kurva (AUC).
Tugas pembelajaran mendalam, seperti meningkatkan akurasi klasifikasi gambar multi-kelas dan klasifikasi video multi-kelas.
Referensi
(Direkomendasikan) Topik ini menjelaskan cara kerja AutoML dan hubungan antara eksperimen, trial, dan tugas pelatihan, membantu Anda memahami konsep-konsep dan memfasilitasi konfigurasi.
Topik ini menjelaskan cara membuat eksperimen di konsol PAI dan cara mengonfigurasi parameter utama.
Topik ini menyediakan kasus penggunaan tentang cara menggunakan AutoML untuk menyetel hiperparameter.