بهینه سازی هایپرپارامتر در کشف کلاس رمان

نویسندگان:

(1) Troisemaine Colin، دپارتمان علوم کامپیوتر، IMT Atlantique، Brest، فرانسه، و Orange Labs، Lannion، فرانسه.

(2) Reifers-Masson Alexandre، گروه علوم کامپیوتر، IMT آتلانتیک، برست، فرانسه.

(3) Gosselin Stephane، Orange Labs، Lannion، فرانسه.

(4) Lemaire Vincent، Orange Labs، Lannion، فرانسه.

(5) Vaton Sandrine، گروه علوم کامپیوتر، IMT Atlantique، برست، فرانسه.

چکیده و مقدمه

کار مرتبط

رویکردها

بهینه سازی هایپرپارامتر

تخمین تعداد کلاس های رمان

مراحل آموزش کامل

آزمایش

نتیجه

اعلامیه ها

منابع

پیوست A: معیارهای نتایج اضافی

پیوست ب: فراپارامترها

پیوست ج: نتایج عددی شاخص‌های اعتبار خوشه‌ای

پیوست D: NCD k-means مطالعه همگرایی مرکزها

4 بهینه سازی هایپرپارامتر

موفقیت الگوریتم های یادگیری ماشین (از جمله NCD) را می توان تا حدی به انعطاف پذیری بالا ناشی از فراپارامترهای آنها نسبت داد. در بیشتر موارد، یک هدف در دسترس است و رویکردهایی مانند K-fold Cross-Validation (CV) می‌تواند برای تنظیم فراپارامترها و دستیابی به نتایج بهینه استفاده شود. با این حال، در یک سناریوی واقع گرایانه از کشف کلاس رمان، برچسب های کلاس های رمان هرگز در دسترس نیستند. بنابراین ما باید راهی برای بهینه سازی هایپرپارامترها بدون …

Source link