全面了解超参数及其作用

超参数是机器学习算法中的调优参数，用于提高算法性能和训练过程。它们在训练之前设定，并通过训练来优化权重和偏差。通过调整超参数，可以改善模型的准确性和泛化能力。

如何设置超参数

在最初设置超参数时，可以参考其他类似机器学习问题中使用的超参数值，或者通过反复训练来寻找最佳超参数。

超参数有哪些

与网络结构相关的超参数

• Dropout：Dropout是一种正则化技术，用于防止过度拟合，提高准确性。
• 网络权重初始化：根据在神经网络层上使用的激活函数，使用不同的权重初始化方案很有用。在大多数情况下，使用均匀分布。
• 激活函数：激活函数用于将非线性引入算法模型。这使深度学习算法能够非线性预测边界。

与训练算法相关的超参数

• 学习速率：学习速率定义了网络更新参数的速度。在学习速率低的情况下，算法学习过程会减慢，但会平滑收敛；较高的学习速率则会加快学习速度，但不利于收敛。
• epoch：在训练期间将整个训练数据显示给网络的次数。
• 批量大小：指在参数更新发生之后提供给网络的子样本的数量。
• 动量：有助于避免振荡，通常使用0.5到0.9之间的动量。

超参数和参数的区别

超参数，也称为模型超参数，在模型外部，无法从数据中估计其值。

参数，也称为模型参数，是模型内部的配置变量。可以从数据中估计其价值。模型需要参数才能进行预测。

参数通常是从数据中学习的，不是开发者手动设置的；超参数通常由开发者手动设置。

超参数调优

超参数调优是为了找到最优超参数组合，超参数本质上控制着机器学习模型的整体行为，因此找到超参数的最佳值对于算法模型来说至关重要。如果超参数调优失败，模型将无法收敛、无法有效地最小化损失函数。这将导致模型结果不再准确。

常见超参数调优的方法有网格搜索、随机搜索、贝叶斯优化。

网格搜索是最基本的超参数调优方法，会遍历所以可能的超参数组合。

随机搜索则是在预先设定的范围内随机采样，以此找到更优的超参数组合。

贝叶斯优化属于基于序列模型的优化(SMBO)算法，利用之前超参数值来改进下一个超参数的方法，此方法经过迭代直至找到最佳超参数。