Zoações...

Artificial Neural Networks: Bibliotecas para “turbinar” seus Hiperparâmetros.

Umas das tarefas mais massantes é “calibrar” hiperparâmetros, certo?
E quando seu treinamento fica lento? 038fdf357ea9815df1eec9555ef5967f
Explorar a selva de parâmetros é um trabalho cansativo e consome muito tempo e provavelmente não é o melhor uso dele.

Felizmente, existem muitas técnicas que podem te auxiliar nesta árdua tarefa, aqui estão algumas bibliotecas que você pode usar para turbinar a composição de seus hiperparâmetros.

hiperparametros

Hyperopt

É uma biblioteca bastante popular para otimizar todos os tipos de espaços de pesquisas complexas. incluindo valores reais, como taxas de aprendizado, e valores discretos, como os números de camadas.

Hyperband

É uma biblioteca de ajuste rápide, baseada no artigo  de Lisha Li.
Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization

Keras Tuner

É uma biblioteca fácil de usar criada pelo Google para modelos Keras.

Veja também: Scikit-Optimize ( skopt ), Spearmint e Sklearn-Deap

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition

 

Zoações...

Machine Learning | Voting Classifier…

Imagine que você tenha treinado alguns classificadores e cada um lhe ofereça uma accuracy próxima de 85%, uma tipica solução sub-ótima.

Neste cenário inclui um grupo de classificadores como um Logistic Regression, SVM (svc), K-Nearest Neighbors e um Random Forest entre outros.邏
Uma forma bastante interessante de obter um classificador ainda melhor seria agregar as previsões desses classificadores e prever a classe que obtém “mais votos”. Essa técnica/classificador de votos, é chamado de Voting Classifier.

Nota:

  • Hard Voting:  O modelo  faz a previsão pelo voto majoritário.
  • Soft Voting:  Só pode ser usando se os classificadores implementam o método  predict_probab. Essa votação chega a melhores resultados calculando a média das probabilidades de cada algorítimo.
majority_voting

Diferentes Classificadores

//Usando o conjunto de dados de iris

ARTIGO1

The Iris Dataset
Esse dataset consiste de três tipos diferentes da flor iris (Setosa, Versicolour e Virginica).
Dados: Comprimento Sépala , Largura Sépala , Comprimento da pétala e Largura da pétala.

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition

majority_voting