超参数优化

Elastic Stack Serverless

当您为分类或回归分析创建数据框分析作业时，有一些高级配置选项，称为超参数。理想的超参数值因数据集而异。因此，默认情况下，作业通过超参数优化过程计算值的最佳组合。

超参数优化涉及多轮分析。 每轮分析都涉及超参数值的不同组合，这些组合通过随机搜索和贝叶斯优化技术的组合确定。 如果您显式设置超参数，则该值不会被优化，并且在每一轮中都保持不变。 为了确定哪一轮产生最佳结果，分层 K 折交叉验证方法用于拆分数据集、训练模型并计算其在验证数据上的性能。

您可以通过在 Kibana 中展开作业详细信息或使用 get trained models API 来查看最终选择的超参数值。 您还可以使用 get data frame analytics analytics job stats API 查看用于比较每轮优化的特定类型的验证损失（例如均方误差或二项交叉熵）。

不同的超参数可能会对模型性能产生不同程度的影响。为了估计优化后的超参数的重要性，使用了方差分解分析。得到的 absolute importance 显示了超参数的变化对验证损失的变化的影响程度。 此外，还计算了relative importance，它给出了超参数与其余可调整超参数相比的重要性。 所有相对重要性之和为 1。 您可以在 get data frame analytics analytics job stats API 的响应中查看这些结果。