BayesianParameterSampling Classe

Définit l’échantillonnage bayésien sur un espace de recherche d’hyperparamètres.

L’échantillonnage bayésien tente de choisir intelligemment l’échantillon d’hyperparamètres suivant, en fonction des performances des échantillons précédents, pour que le nouvel échantillon améliore la métrique principale signalée.

Initialiser BayesianParameterSampling.

Héritage

azureml.train.hyperdrive.sampling.HyperParameterSampling

BayesianParameterSampling

Constructeur

BayesianParameterSampling(parameter_space, properties=None)

Paramètres

Nom	Description
parameter_space Obligatoire	dict Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre. Notez que seuls choice, quniform et uniform sont pris en charge pour l’optimisation bayésienne.
parameter_space Obligatoire	dict Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre. Notez que seuls le choix, le quniforme et l’uniforme sont pris en charge pour l’optimisation bayésienne.
properties	valeur par défaut: None

Remarques

Notez qu’en cas d’utilisation d’un échantillonnage bayésien, le nombre d’exécutions simultanées a un impact sur l’efficacité du processus de réglage. En règle générale, un plus petit nombre d’exécutions simultanées peut améliorer la convergence de l’échantillonnage. C’est parce que certaines exécutions démarrent sans tirer pleinement parti des exécutions qui sont toujours en cours d’exécution.

Notes

L’échantillonnage bayésien ne prend pas en charge les stratégies d’arrêt anticipé. En cas d’utilisation de l’échantillonnage de paramètres bayésien, utilisez NoTerminationPolicy, définissez la stratégie d’arrêt anticipé sur None ou laissez le paramètre early_termination_policy désactivé.

Pour plus d’informations sur l’utilisation de l’échantillonnage BayesianParameter, consultez le tutoriel Régler les hyperparamètres de votre modèle.

Attributs

SAMPLING_NAME

SAMPLING_NAME = 'BayesianOptimization'