Samuel Blixen 4375 Torre A 1408
+598 2614 4965
hola@kreilabs.com

Trabajo publicado en Towards Data Science: Técnicas disponibles para optimización de hyperparámetros

Aplicamos las diferentes técnicas de optimización de hiperparámetros en un conjunto de modelos de clasificación para comparar sus resultados.

Cualquiera que haya utilizado algún algoritmo probablemente ya haya realizado algunos intentos de optimización manual en el conjunto predeterminado de valores. Este ajuste manual suele llevar mucho tiempo, no siempre se realiza de forma rigurosa y dificulta la sistematización de los resultados.

En segundo lugar, podemos aplicar técnicas automatizadas y bastante simples disponibles, como GridSearch y RandomSearch, que generalmente dan mejores resultados, pero con un alto costo de tiempo y cómputo de máquina. Aplicaremos ambas técnicas para comparar sus resultados.

Finalmente, aplicaremos la optimización bayesiana, que es un método para encontrar el mínimo de una función, usando la biblioteca de hipermóviles de Python en el mejor de los algoritmos probados. La implementación de esta técnica puede no ser tan fácil, pero puede darnos mejores resultados en rendimiento o tiempo que los anteriores.

Acceso al artículo completo en Inglés