Paraméterhangolása

Paraméterhangolása a rendszerek vagy modellek teljesítményének javítását célzó tevékenység, amely során bizonyos beállítási értékeket vagy hipero-paramétereket állítunk be vagy finomhangolunk. Széles körben alkalmazható a gépi tanulásban, a vezérléstechnikában, a jel- és képfeldolgozásban, valamint más mérnöki területeken.

Két fő kontextusban értelmezhető. A paraméterhangolás gyakorlati beállításokra (például egy PID-vezérlő arányos, integrálos és derivált komponenseinek értékei) vonatkozik. A gépi tanulásban gyakran hipero-paraméter hangolásról beszélünk, amikor a tanítási folyamatot szabályozó értékeket (például tanulási ráta, rétegek száma, regularizáció mértéke) optimalizáljuk.

Módszerek és munkafolyamatok. Lehet manuális vagy automatizált. Gyakori módszerek a grid search és a random search, amelyek teljes vagy véletlenszerű paraméterkészleteket próbálnak ki. Hatékonyabb megközelítések közé tartozik a Bayes-i optimalizáció, valamint evolúciós algoritmusok és egyes gradient-alapú megközelítések, ha a teljesítménymetrika differenciálható. Kritikus szempont a validáció: a tuningot a tanulási adathalmaztól elválasztott validációs adaton érdemes kiértékelni, hogy elkerüljük a túlillesztést.

Gyakorlati tanácsok. Pontos célt kell meghatározni, korlátozott költségvetéssel dolgozni, és nyomon követni az eredményeket. A jó gyakorlatok közé tartozik a rekonstrukciós vagy robosztussági tesztek, visszafejtési ellenőrzések és a reprodukálhatóság biztosítása. Például PID-tuningnál gyakran használják a Ziegler–Nichols vagy más szabályozási szabályokat kísérő finomhangolást.