Quelle: Shutterstock
Maschinelles Lernen mit dem Python-Ökosystem (Teil 11) 21.09.2020, 08:38 Uhr

Modelle über Hyperparameter optimieren

Die beiden Arbeitsschritte Modellevaluierung mittels Metriken und Optimierung von Hyperparametern gehören in jeden professionellen Machine-Learning-Workflow.
Wie jedes Projekt für die Entwicklung von Software besteht auch ein Machine Learning (ML)-Projekt aus verschiedenen Phasen oder Arbeitsschritten – dem ML-Workflow. Die einzelnen Phasen laufen (zeitlich betrachtet) teilweise sequentiell, überlappend und iterativ ab. Dies resultiert aus der Arbeitsweise des Projektteams, welches eine hohe Qualität verbunden mit möglichst geringem Aufwand, was Zeit und Kosten betrifft, anstrebt. Dazu fokussiert sich das Projektteam auf eine kontinuierliche Verbesserung aller angefallenen Arbeitsergebnisse.
Insofern orientiert sich das Projektteam bei der Umsetzung der Arbeitsschritte im ML-Workflow an den Grundsätzen eines agilen Managements. Strategien und Strukturen in den Arbeitsschritten passt das Projektteam an die tatsächlichen Gegebenheiten des Projekts an. Fast man alle vorgelagerten Arbeitsschritte eines ML-Projekts, welche Daten sammeln, bereitstellen und vereinheitlichen unter dem Begriff Datenanalyse zusammen, so kann man den ML-Workflow (Bild 1) im Wesentlichen in fünf Phasen gliedern:

web & mobile DEVELOPER

Sie wollen zukünftig auch von den Vorteilen eines plus-Abos profitieren? Werden Sie jetzt web&mobile Developer plus Kunde.
  • 2 Monate Gratis testen
  • Über 4.000 qualifizierte Fachartikel
  • Diverse DevBooks thematisch für Sie zusammen gestellt
  • Webcasts von 30 - 90 Min.
  • Aufzeichnungen von ausgewählten Fortbildungen und Konferenzen
  • Auf jedem Gerät verfügbar