Rutnätsökning

Rutnätsökning (grid search) är en metod inom maskininlärning och statistik för hyperparametertuning. Den innebär att man systematiskt undersöker ett fördefinierat rutnät av parametervärden och utvärderar modellens prestanda för varje kombination. Genom att undersöka samtliga parameterkombinationer i detta grid kan man hitta den uppsättning hyperparametrar som ger bäst resultat enligt ett valt mått.

Processen består vanligtvis av följande steg: definiera vilka hyperparametrar som ska tunas och vilka värden de kan anta, skapa kombinationerna (ofta som en kardinalprodukt av värdena), träna och utvärdera modellen för varje kombination, vanligtvis med korsvalidering, och slutligen välja den bästa konfigurationen. Den färdiga modellen kan därefter tränas på hela träningsdatasetet med den bästa uppsättningen parametarvärden.

Fördelar med rutnätsökning är dess enkelhet, transparens och reproducerbarhet. Den ger en tydlig jämförelse mellan olika parametervärden och kräver liten teoretisk kunskap om modellen. Nackdelar är att metoden snabbt blir resurskrävande när antalet hyperparametrar och värden i gridet ökar, samt att den endast söker inom de specifika gridpunkterna och därmed kan missa bra värden mellan punkterna. Val av grid och stegstorlek är därför kritiskt.

Användningsområden omfattar hyperparametertuning för olika maskininlärningsmodeller, som stödvektormaskiner, beslutsträd, gradientboosting och vissa neurala nätverk, särskilt när datasetet är måttligt stort och förståelse för parameterpåverkan eftersträvas.