自动调优
|
自动调优在端到端示例 Jupyter Notebooks 中有所体现 |
节点分类管道、节点回归管道和链接预测管道均采用监督式机器学习方法进行训练，这些方法具有多个可配置参数，会影响训练结果。要获得高质量的模型，设置超参数的良好值会产生很大影响。自动调优通常优于手动搜索这些值，因为手动搜索既耗时又困难。
在将模型候选添加到节点分类、节点回归或链接预测时，可以结合手动和自动调优。对于手动部分，将具有所有超参数固定值的配置添加到管道中。为了充分利用自动搜索，超参数可以指定为范围而不是固定值。对于某些参数，范围将以对数尺度进行解释。这适用于通常在对数尺度上调优的参数。
如果任何模型候选超参数被指定为范围，则在训练管道时将应用自动调优。首先评估仅具有固定值的配置，然后重复选择和评估具有范围的其余配置。对于至少有一个范围的配置，在评估之前从范围中选择固定值。每次这样的评估都称为一次试验。如果至少存在一个范围，则试验次数为 gds.alpha.pipeline.nodeClassification.configureAutoTuning、gds.alpha.pipeline.noderegression.configureAutoTuning 和 gds.alpha.pipeline.linkPrediction.configureAutoTuning 的 maxTrials 配置参数值。如果任何模型配置中不存在范围，则无论 maxTrials 的值如何，所有配置都将被尝试。一旦所有试验完成，最佳模型候选配置将被选为获胜者。
有关特定超参数的详细信息，请参阅支持的训练方法。