Все статьи автора в журнале: Клименко К.С.

1. Оптимизация гиперпараметров в моделях машинного обучения: сравнительное исследование

   Hyperparameter optimization in machine learning models: a comparative study

   Номер: 2023 / 10

   Денисенко В.В. | Denisenko V.V. | Маслов А.А. | Maslov A.A. | Чесников Л.С. | CHesnikov L.S. | Клименко К.С. | Klimenko K.S. | imasslove@mail.ruimasslove@mail.ru

   Авторы статьи

   Authors

   Денисенко В.В.

   Denisenko V.V.

   Маслов А.А.

   Maslov A.A.

   Чесников Л.С.

   CHesnikov L.S.

   Клименко К.С.

   Klimenko K.S.

   imasslove@mail.ru

   imasslove@mail.ru

   ---

   Оптимизация гиперпараметров в моделях машинного обучения: сравнительное исследование

    

   УДК 004.85

   DOI: 10.36652/0869-4931-2023-77-10-475-480

    

   Проведено сравнительное исследование методов гиперпараметрической оптимизации в моделях машинного обучения. Дана оценка производительности различных методов оптимизации на таких типах моделей, как: машины опорных векторов, деревья решений и нейронные сети. Проведены оценка влияния гиперпараметров на производительность модели и сравнение эффективности различных методов оптимизации. Полученные результаты дают представление об эффективности методов гиперпараметрической оптимизации и могут использоваться при выборе наилучшего метода. Результаты работы могут представлять интерес для исследователей в области машинного обучения, которые стремятся повысить производительность своих моделей за счет оптимизации гиперпараметров.

   ---

   Ключевые слова

   оптимизация гиперпараметров, машинное обучение, сравнительное исследование, машины опорных векторов, деревья решений, нейронные сети, поиск по сетке, случайный поиск, байесовская оптимизация, производительность модели, методы оптимизации

   Hyperparameter optimization in machine learning models: a comparative study

   A comparative study of hyperparametric optimization methods in machine learning models is carried out. The evaluation of the various optimization methods performance on such types of models as support vector machines, decision trees and neural networks is given. The influence of hyperparameters on the model performance is evaluated and the effectiveness of various optimization methods is compared. The results obtained give an idea of the hyperparametric optimization methods effectiveness and can be used to select the best method. The work results may arouse interest in researchers in the field of machine learning who seek to improve the performance of their models by optimizing hyperparameters.

   ---

   Keywords

   hyperparameter optimization, machine learning, comparative study, support vector machines, decision trees, neural networks, grid search, random search, Bayesian optimization, model performance, optimization methods