كيف يعمل غريدسيرتشكف: شرح مفصل وأمثلة

غريدسيرتشكف (شبكة البحث عبر التحقق من الصحة) هو أسلوب الأمثل في التعلم الآلي الذي يسمح لك للعثور على أفضل هايبرباراميترز لنموذج. يمكن أن يكون لمتجه المعلمات الفائقة للنموذج ، مثل عمق الشجرة في حالة شجرة القرار أو معامل التنظيم في الانحدار الخطي ، تأثير كبير على نتائج التعلم.

غريدسيرتشكف يعمل عن طريق التكرار من خلال جميع التوليفات الممكنة من هايبرباراميترز وتقييم جودة النموذج باستخدام عبر التحقق من الصحة. يسمح لك التحقق المتبادل بتقييم أداء النموذج على مجموعات فرعية مختلفة من البيانات ، مما يسمح لك بالحصول على نتائج أكثر موضوعية. جوهر غريدسيرتشكف هو أنه يتكرر تلقائيا من خلال جميع التوليفات الممكنة من هايبرباراميترز ويجد واحد الذي يعطي أفضل نتيجة.

مثال استخدام غريدسيرتشكف يمكن أن تكون مفيدة إذا كان لديك نموذج التعلم الآلي وتريد تحسين هايبرباراميترز لها. على سبيل المثال ، إذا كنت تستخدم آلة متجه الدعم ، فقد يكون هناك العديد من المعلمات الفائقة ، مثل النواة أو معامل التنظيم أو جاما. غريدسيرتشكف يسمح لك لفرز من خلال جميع المجموعات الممكنة من هذه المعلمات والعثور على أفضل واحد.

مثال: لنفترض أن لدينا مجموعة بيانات تحتوي على معلومات حول عمليات الشراء على موقع الويب الخاص بالمتجر عبر الإنترنت ، ونريد إنشاء نموذج يتنبأ بما إذا كان سيتم إجراء عملية شراء أم لا. لقد اخترنا خوارزمية الغابات العشوائية وتريد تحسين معلماتها. يمكننا استخدام غريدسيرتشكف لهذا الغرض.

1. غريدسيرتشكف: ما هو وما هو عليه
2. كيف يعمل جريدسيرتشكف
3. إعداد البيانات للبحث الشبكي
4. المعلمات غريدسيرتشكف
5. أمثلة على استخدام جريدسيرتشكف
6. سؤال وجواب
7. كيف جريدسيرتشكف العمل?
8. ما هي النتائج التي يمكن الحصول عليها باستخدام غريدسيرتشكف?
9. كيف يمكنني تحديد المعلمات الفائقة للبحث على الشبكة?
10. ما هو عبر التحقق من الصحة وكيف يتم استخدامه في غريدسيرتشكف?
11. هل من الممكن استخدام غريدسيرتشكف لتكوين هايبرباراميترز من عدة نماذج في نفس الوقت?

غريدسيرتشكف: ما هو وما هو عليه

غريدسيرتشكف هو أداة تقدمها مكتبة سكيت-تعلم التي تساعدك على تكوين هيبرباراميترز تلقائيا من نموذج التعلم الآلي. المعلمات الفائقة هي معلمات نموذجية لا يمكن تحديدها بواسطة النموذج نفسه أثناء عملية التعلم.

غريدسيرتشكف يسمح لك لإيجاد القيم هايبرباراميتر الأمثل على أساس القيم المحددة والاختلافات. للقيام بذلك ، غريدسيرتشكف يتكرر من خلال جميع المجموعات الممكنة من القيم هايبرباراميتر وتقييم جودة النموذج باستخدام المقياس المحدد. بعد التكرار من خلال جميع المجموعات ، غريدسيرتشكف إرجاع أفضل نموذج مع القيم هايبرباراميتر الأمثل.

باستخدام غريدسيرتشكف يسمح لك لتحقيق المزايا التالية:

1. الاختيار التلقائي لقيم المعلمة الفائقة المثلى ، مما يحسن جودة النموذج.
2. تقليل الوقت المستغرق في التكرار على مجموعات من المعلمات الفائقة ، مقارنة بالاختيار اليدوي.
3. تبسيط عملية إعداد النموذج ، خاصة في حالة النماذج التي تحتوي على عدد كبير من المعلمات الفائقة.

تتكون عملية استخدام جريدسيرتشكف من الخطوات التالية:

1. تحديد نموذج التعلم الآلي الذي تريد تكوين المعلمات الفائقة له.
2. تحديد نطاقات قيم المعلمة الفائقة التي سيتم اجتيازها بواسطة جريدسيرتشكف.
3. اختيار مقياس لتقييم جودة النموذج.
4. تهيئة الكائن غريدسيرتشكف ، وتحديد النموذج ، ومجموعة من القيم هايبرباراميتر ، والمتري.
5. بدء عملية اختيار المعلمات الفائقة باستخدام طريقة الملاءمة في بيانات التدريب.
6. الحصول على أفضل نموذج بقيم المعلمة الفائقة المثلى.

لذلك ، غريدسيرتشكف هو أداة قوية التي تساعدك على ضبط تلقائيا هايبرباراميترز من نموذج التعلم الآلي. يسمح لك بتحسين جودة النموذج وتقليل وقت الإعداد وتبسيط عملية اختيار القيم المثلى للمعلمات الفائقة.

كيف يعمل جريدسيرتشكف

غريدسيرتشكف هو أداة مريحة لاختيار أفضل هايبرباراميترز من نموذج من خلال الذهاب من خلال جميع التوليفات الممكنة.

مبدأ تشغيل غريدسيرتشكف يمكن تقسيمها إلى عدة خطوات:

1. تتمثل الخطوة الأولى في اختيار نموذج سنختار من أجله أفضل المعلمات الفائقة. ثم نحدد مجموعة من القيم التي نريد التحقق منها لكل معلمة مفرطة. دعونا ننظر إلى مثال مع نموذج آلة ناقلات الدعم (سفم) ، والتي نريد لتحديد قيم اثنين من هايبرباراميترز: ج وغاما.
2. الخطوة الثانية هي إنشاء شبكة من المعلمات التي نريد اختبارها. كل عنصر شبكة هو مزيج من قيم المعلمة الفائقة. في مثالنا سفم ، إذا أردنا التحقق من 3 قيم ل ج و 2 قيم ل غاما ، سوف نحصل على شبكة مع 6 مجموعات من القيم.
3. بعد ذلك ، غريدسيرتشكف يبني نماذج مع جميع التوليفات الممكنة من هايبرباراميترز وتجري عملية التعلم على عينة التدريب. لكل نموذج تم إنشاؤه ، يتم إجراء تقييم باستخدام مقياس الجودة المحدد. على سبيل المثال ، يمكن استخدام مقياس الدقة لمهمة تصنيف.
4. في النهاية ، غريدسيرتشكف يختار النموذج مع أفضل القيم هايبرباراميتر على أساس مقياس جودة محددة مسبقا. يتم الحفاظ على هذا النموذج ويمكن استخدامه لعمل تنبؤات بشأن البيانات الجديدة.

وهكذا ، غريدسيرتشكف أتمتة عملية فرز هايبرباراميترز ويجد أفضل القيم للنموذج ، مما يحسن أدائها ويبسط عملية اختيار هايبرباراميترز.

إعداد البيانات للبحث الشبكي

قبل البدء في استخدام غريدسيرتشكف ، تحتاج إلى إعداد البيانات بشكل صحيح. تعد المعالجة المسبقة للبيانات خطوة مهمة قبل تدريب النموذج وتسمح لك بتحسين جودته.

بادئ ذي بدء ، يجب عليك تحليل البيانات لفهم هيكلها وأنواع الميزات والمشاكل المحتملة. بعض المشاكل التي قد يواجهها النموذج تشمل: القيم المفقودة (نان) ، القيم المتطرفة ، التوزيع غير المتكافئ للميزات (الميزات المنحرفة).

يمكن تنفيذ الخطوات التالية للمعالجة المسبقة للبيانات:

1. احذف الأعمدة التي تحتوي على بيانات أو قيم غير مكتملة لا تحمل معلومات.
2. املأ القيم المفقودة (نان) بالمتوسط أو الوسيط أو الوضع ، اعتمادا على نوع الميزة.
3. لمعالجة القيم المتطرفة ، على سبيل المثال ، لإزالة القيم المتطرفة أو استبدالها بقيمة قصوى/دنيا.
4. تحويل الميزات الفئوية إلى ميزات رقمية باستخدام طرق مثل الترميز الترتيبي (الترميز العادي) أو الترميز المباشر (ترميز واحد).
5. مقياس الميزات الرقمية بحيث تكون في نفس النطاق باستخدام طرق مثل التوحيد القياسي (ستانداردسكالر) أو التطبيع (مينماكسسكالر).

بعد المعالجة المسبقة ، تكون البيانات جاهزة للاستخدام في جريدسيرتشكف. عبر التحقق من صحة مع التكرار المعلمة التلقائي يسمح لك لتحديد أفضل المعلمات نموذج ويساعدك على العثور على الجمع الأكثر نجاحا.

غريدسيرتشكف هو أداة تستخدم على نطاق واسع في التعلم الآلي للعثور على أفضل هايبرباراميترز من نموذج. يتكرر تلقائيا من خلال جميع المجموعات الممكنة من المعلمات المحددة ويقيم النموذج باستخدام التحقق المتبادل.

نتيجة لاستخدام غريدسيرتشكف ، نحصل على القيم المثلى من المعلمات النموذج ، والتي يمكن أن تؤدي إلى أفضل جودة التنبؤ وزيادة الأداء العام للنموذج.

المعلمات غريدسيرتشكف

غريدسيرتشكف هو الأداة الرئيسية للفرز من خلال المعلمات نموذج واختيار أفضل تكوين لهذا النموذج. يسمح لك بالفرز تلقائيا من خلال جميع المجموعات الممكنة من المعلمات التي يقدمها المستخدم وتقييم جودة النموذج لكل منها.

عند تهيئة غريدسيرتشكف ، يمكن تعيين المعلمات التالية:

• مقدر: النموذج الذي من الضروري تحديد المعلمات المثلى.
• بارام_غريد: قاموس أو قائمة من المعلمات ليتم تكرارها أكثر. يجب أن تكون المفاتيح الموجودة في القاموس أسماء معلمات ، ويجب أن تكون القيم قوائم بالقيم الممكنة لكل معلمة.
• التهديف: مقياس لتقييم جودة النموذج. يمكن أن تكون سلسلة تمثل اسم مقياس من مكتبة سكيت-تعلم ، أو كائن تنفيذ واجهة مقياس تقييم الجودة.
• السيرة الذاتية: عدد كتل التحقق من الصحة التي سيتم تقسيم مجموعة التدريب إليها. يمكنك استخدام عدد صحيح لتحديد عدد الكتل ، أو كائن التحقق المتقاطع لتحديد مخططات التحقق المتقاطع الأكثر تعقيدا.
• مطول: مستوى تفاصيل الإخراج. عدد حيث عدد أكبر يعني إخراج أكثر تفصيلا.

الطريقة الرئيسية ل غريدسيرتشكف هو الأسلوب صالح ، الذي يجد أفضل المعلمات من النموذج ، يدرب على مجموعة التدريب الكامل وإخراج نتائج تقييم النموذج.

القيم الأساسية المتاحة في القاموس بارام_غريد:

في هذا المثال ، سيتم تكرار القيم "القيمة 1" و "القيمة 2" و "القيمة 3" للمعلمة "بارام1" ، وسيتم تكرار القيم "القيمة 4" و "القيمة 5" للمعلمة "بارام2".

كما يوفر غريدسيرتشكف العديد من الأساليب والسمات المفيدة الأخرى التي تسمح لك للحصول على معلومات حول أفضل نموذج ، رسم الرسوم البيانية ، الخ. عادة ، بعد الانتهاء من البحث عن أفضل المعلمات ، يمكنك استخدام أفضل المعلمات وأفضل الدرجات للحصول على أفضل قيم المعلمات وأفضل تقدير للنموذج.

أمثلة على استخدام جريدسيرتشكف

في الممارسة العملية ، غريدسيرتشكف هو أداة مفيدة جدا لاختيار أفضل هايبرباراميترز من نموذج التعلم الآلي. لنلق نظرة على بعض الأمثلة على استخدام هذه الأداة.

• مثال 1: اختيار المعلمات الفائقة لنموذج غابة عشوائي.

لنفترض أن لدينا مهمة تصنيف باستخدام نموذج غابة عشوائي. نريد العثور على أفضل قيم المعلمة الفائقة لهذا النموذج. دعونا استخدام غريدسيرتشكف:

من سكليرن.ensemble import RandomForestClassifier

from sklearn.model_selection import GridSearchCV

# Задаем модель и гиперпараметры

model = RandomForestClassifier()

parameters = {'n_estimators': [10, 50, 100], 'max_depth': [None, 5, 10]}

# Инициализируем GridSearchCV

grid_search = GridSearchCV(model, parameters)

# Обучаем модель с использованием GridSearchCV

grid_search.fit(X_train, y_train)

# Выводим наилучшие значения гиперпараметров

print(grid_search.best_params_)

بعد تنفيذ التعليمات البرمجية ، سيتم إخراج أفضل مزيج من قيم المعلمة الفائقة لنموذج الغابة العشوائية.

• مثال 2: اختيار المعلمات الفائقة لنموذج الانحدار اللوجستي.

النظر في مثال باستخدام نموذج الانحدار اللوجستي:

من سكليرن.نموذج خطي استيراد لوجستي

من سكليرن.نموذج_اختيار استيراد شبكةالبحوث

# Задаем модель и гиперпараметры

model = LogisticRegression()

parameters = {'C': [0.1, 1, 10], 'penalty': ['l1', 'l2']}

# Инициализируем GridSearchCV

grid_search = GridSearchCV(model, parameters)

# Обучаем модель с использованием GridSearchCV

grid_search.fit(X_train, y_train)

# Выводим наилучшие значения гиперпараметров

print(grid_search.best_params_)

وبالمثل ، يمكنك تحديد أفضل قيم المعلمة الفائقة لأي نموذج تعلم آلي.

في كلا المثالين ، استخدمنا غريدسيرتشكف لتحديد أفضل القيم هايبرباراميتر لنماذج التعلم الآلي. تتيح لك هذه الأداة التكرار تلقائيا من خلال مجموعات مختلفة من القيم واختيار أفضل مجموعة باستخدام التحقق المتبادل. إنه يبسط إلى حد كبير عملية اختيار المعلمات الفائقة ، مما يساعد على الحصول على النموذج بأفضل أداء.

سؤال وجواب

كيف جريدسيرتشكف العمل?

غريدسيرتشكف هو أداة من مكتبة سكيت-تعلم التي تسمح لك لتكوين هيبيرباراميترز تلقائيا من نماذج التعلم الآلي عن طريق الذهاب من خلال جميع التوليفات الممكنة واختيار أفضل واحد. ينفذ خوارزمية بحث شبكة بسيطة ويستخدم التحقق المتبادل لتقييم القيم المترية على مجموعات مختلفة من المعلمات الفائقة.

ما هي النتائج التي يمكن الحصول عليها باستخدام غريدسيرتشكف?

باستخدام غريدسيرتشكف ، فمن الممكن الحصول على القيم المثلى من هايبرباراميترز من نماذج التعلم الآلي. من الممكن أيضا تقييم جودة النموذج لكل مجموعة من المعلمات الفائقة باستخدام التحقق المتبادل. بالإضافة إلى ذلك ، يمكنك الحصول على معلومات حول الوقت الذي تقضيه في البحث عن المعلمات الفائقة المثلى.

كيف يمكنني تحديد المعلمات الفائقة للبحث على الشبكة?

قد يكون اختيار المعلمات الفائقة للبحث على الشبكة مهمة صعبة. من الممكن استخدام معرفة الخبراء أو تحليل البيانات الأولية لتقدير نطاق القيم الممكنة للمعلمات الفائقة. يمكنك أيضا استخدام الوثائق المرجعية وأمثلة التعليمات البرمجية لخوارزمية أو نموذج معين. من المهم اختيار المعلمات الفائقة التي سيكون لها أكبر تأثير على جودة النموذج.

ما هو عبر التحقق من الصحة وكيف يتم استخدامه في غريدسيرتشكف?

التحقق المتبادل هو طريقة لتقييم نموذج يسمح لك بمراعاة تنوع العينة والحصول على نتائج أكثر موثوقية على البيانات المستقلة. في غريدسيرتشكف ، يتم استخدام عبر التحقق من صحة لتقييم جودة النموذج على كل مجموعة من هايبرباراميترز. لكل مجموعة من المعلمات الفائقة ، يتم تقسيم البيانات إلى ك طيات ، ويتم تدريب النموذج على ك-1 أجزاء من البيانات وتقييمها على الجزء المتبقي من البيانات. ثم يتم حساب متوسط قيم مقاييس الجودة لجميع الطيات ويتم الحصول على متوسط القيم لكل مجموعة من المعلمات الفائقة.

هل من الممكن استخدام غريدسيرتشكف لتكوين هايبرباراميترز من عدة نماذج في نفس الوقت?

نعم ، غريدسيرتشكف يسمح لك لتكوين هايبرباراميترز من عدة نماذج في نفس الوقت. للقيام بذلك ، تحتاج إلى تمرير إلى غريدسيرتشكف قائمة من النماذج وقائمة من القواميس مع هايبرباراميترز لكل نموذج. سوف غريدسيرتشكف تكرار على مجموعات من النماذج و هايبرباراميترز ، وتدريب كل نموذج وتقييم جودتها.