Hyperparameter Tuning

Thomas Bartz-Beielstein ()
Additional contact information
Thomas Bartz-Beielstein: TH Köln, Institut Data Science, Engineering, and Analytics

Chapter Kapitel 10 in Online Machine Learning, 2024, pp 123-150 from Springer

Abstract: Zusammenfassung Die in diesem Buch vorgestellten Online Machine Learning (OML)-Verfahren weisen eine Vielzahl von Einstellmöglichkeiten, sog. Hyperparameter, auf. So stehen für Hoeffding-Bäume eine Vielzahl von “Splittern” zur Erzeugung von Teilbäumen zur Verfügung. Es gibt unterschiedliche Verfahren zur Begrenzung der Baumgröße, um den Zeit- und Speicherbedarf in vernünftige Bahnen zu lenken. Hinzu treten noch viele weitere Hyperparameter, so dass eine händisch durchgeführte Suche nach der optimalen Einstellung sehr aufwändig ist und durch die Komplexität der Kombinationsmöglichkeiten zum Scheitern verurteilt ist. Daher wird in diesem Kapitel erläutert, wie eine automatische Optimierung der Hyperparameter durchgeführt werden kann. Neben der Optimierung des OML-Verfahrens ist das mit Sequential Parameter Optimization Toolbox (SPOT) durchgeführte Hyperparameter Tuning (HPT) auch für die Erklärbarkeit und Interpretation von OML-Verfahren von Bedeutung und kann zu einem effizienteren und somit ressourcenschonenden Algorithmus führen (“Green IT”).

Date: 2024
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-658-46162-1_10

Ordering information: This item can be ordered from
http://www.springer.com/9783658461621

DOI: 10.1007/978-3-658-46162-1_10

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().