Python 튜토리얼

이번 시간에는 Hyper Parameter의 3가지 튜닝 방법을 비교해보겠습니다.

1.Grid Search

• 기법 :  Grid Search는 사전에 탐색할 값들을 미리 지정해주고, 그 값들의 모든 조합을 바탕으로 성능의 최고점을 찾아냅니다.
• 장점 :
• 내가 원하는 범위를 정확하게 비교 분석이 가능하다.
• 단점 :
• 시간이 오래걸린다.

(4개의 파라미터에 대해서, 4가지 값들을 지정해두고, 한 번 탐색하는데 1분이 걸린다면 -> 4*4*1분 = 16분 소요)

• 성능의 최고점이 아닐 가능성이 높다.
• "최적화 검색" (여러개들을 비교 분석해서 최고를 찾아내는 기법)이지, "최적화 탐색"(성능이 가장 높은 점으로 점차 찾아가는 기법)이 아니다.

2.Random Search

• 기법 : 사전에 탐색할 값들의 범위를 지정해주고, 그 범위 속에서 가능한 조합을 바탕으로 최고점을 찾아냅니다.
• 장점 :
• Grid Search에 비해 시간이 짧게 걸린다.
• Grid Search보다, 랜덤하게 점들을 찍으니, 성능이 더 좋은 점으로 갈 가능성이 높다.
• 단점 :
• 반대로 성능이 Grid Search보다 낮을 수 있다.
• 하이퍼 파라미터의 범위가 너무 넓으면, 일반화된 결과가 나오지 않는다. (할 때 마다 달라진다)
• seed를 고정하지 않으면, 할 때 마다 결과가 달라진다.
• 마찬가지로, "최적값 검색"의 느낌이지, "최적화 탐색"의 개념이 아니다.

3.Bayeisan Optimization

• 기법 : 하이퍼파라미터의 범위를 지정한 후, Random하게 R 번 탐색한 후, B번 만큼 최적의 값을 찾아간다.
• 장점 :
• 정말 "최적의 값"을 찾아갈 수 있다.
• 상대적으로 시간이 덜 걸린다.
• 엔지니어가 그 결과값을 신뢰할 수 있다.
• 단점 :
• Random하게 찍은 값이 달라질 경우, 최적화 하는데 오래 걸릴 수 있다.
• Random하게 찍은 값이 부족하면, 최적의 값을 탐색하는게 불가능 할 수 있다.
• Rnadom하게 찍은 값이 너무 많으면, 최적화 이전에 이미 최적값을 가지고 있을 수도 있다.

그럼에도, Bayesian Optimization은 수동적으로 하이퍼 파라미터를 튜닝하는데 좋은 결과를 가져온다.

오늘은 실습이 없습니다.

↩️ 오늘의 파이썬 리스트

#데이콘_101 #AI #머신러닝 #딥러닝 #파이썬 #파이선  #데이터분석 #데이터사이언티스트 #코랩 #Python  #colab #kaggle #pandas #numpy #sckit-learn # read_csv #Bayesianoptimization #Bayesian #Optimization