설명/참조:
C: 베이지안 샘플링은 베이지안 최적화 알고리즘을 기반으로 하며 다음에 샘플링할 하이퍼파라미터 값을 지능적으로 선택합니다. 이전 샘플의 성능을 기반으로 샘플을 선택하므로 새 샘플이 보고된 기본 측정항목을 향상시킵니다.
베이지안 샘플링은 조기 종료 정책을 지원하지 않습니다.
예:
azureml.train.hyperdrive에서 BayesianParameterSampling 가져오기
azureml.train.hyperdrive에서 유니폼 가져오기, 선택
param_sampling = BayesianParameterSampling({
"learning_rate": 균일(0.05, 0.1),
"배치_크기": 선택(16, 32, 64, 128)
}
)
D: 무작위 샘플링에서는 하이퍼파라미터 값이 정의된 검색 공간에서 무작위로 선택됩니다. 무작위 샘플링을 사용하면 검색 공간에 이산형 하이퍼파라미터와 연속형 하이퍼파라미터를 모두 포함할 수 있습니다.
오답:
B: 초매개변수 공간을 이산 값 중에서 선택하도록 정의할 수 있고 정의된 검색 공간의 모든 값을 철저하게 검색할 수 있는 예산이 충분한 경우 그리드 샘플링을 사용할 수 있습니다.
또한 성능이 좋지 않은 실행을 자동으로 조기 종료하여 리소스 낭비를 줄일 수 있습니다.
예를 들어 다음 공간에는 총 6개의 샘플이 있습니다.
azureml.train.hyperdrive에서 GridParameterSampling 가져오기
azureml.train.hyperdrive에서 가져오기 선택
param_sampling = GridParameterSampling( {
"num_hidden_layers": 선택(1, 2, 3),
"배치_크기": 선택(16, 32)
}
)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

설명

1단계: K-평균 클러스터링 모델 구현
2단계: 클러스터를 의사결정 정글 모델의 기능으로 사용합니다.
결정 정글은 비선형 결정 경계를 나타낼 수 있는 비모수적 모델입니다.
3단계: 원시 점수를 점수 매치박스 추천 모델의 기능으로 사용 추천 시스템을 만드는 목적은 시스템의 "사용자"에게 하나 이상의 "항목"을 추천하는 것입니다.
항목의 예로는 영화, 레스토랑, 책, 노래 등이 있습니다. 사용자는 개인, 그룹 또는 항목 선호도가 있는 기타 엔터티일 수 있습니다.
대본:
광고 응답이 거부되었습니다.
광고 응답 모델은 각 이벤트가 시작될 때 학습되어야 하며 스포츠 이벤트 중에 적용되어야 합니다.
시장 세분화 모델은 유사한 광고 응답 기록에 맞게 최적화되어야 합니다.
광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
참고자료:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommende

설명

참조:
https://www.edureka.co/blog/classification-algorithms/