.. _chap_hyperopt:

Оптимизация гиперпараметров
===========================


**Аарон Кляйн** (*Amazon*), **Маттиас Зейгер** (*Amazon*) и **Седрик
Аржанбо** (*Amazon*)

Производительность любой модели машинного обучения зависит от её
гиперпараметров. Они управляют алгоритмом обучения или структурой
лежащей в основе статистической модели. Однако на практике не существует
универсального способа выбора гиперпараметров. Вместо этого
гиперпараметры часто задаются методом проб и ошибок или иногда
оставляются со значениями по умолчанию, что приводит к субоптимальной
обобщающей способности.

Оптимизация гиперпараметров предлагает систематический подход к этой
проблеме, сводя её к задаче оптимизации: хороший набор гиперпараметров
должен (по крайней мере) минимизировать ошибку валидации. В отличие от
большинства других задач оптимизации, возникающих в машинном обучении,
оптимизация гиперпараметров является вложенной, поскольку каждая
итерация требует обучения и валидации модели машинного обучения.

В этой главе мы сначала рассмотрим основы оптимизации гиперпараметров.
Мы также представим некоторые недавние достижения, которые повышают
общую эффективность оптимизации гиперпараметров за счёт использования
дешёвых в вычислении прокси-функций для исходной целевой функции. В
конце этой главы вы сможете применять современные методы оптимизации
гиперпараметров для настройки гиперпараметров ваших собственных
алгоритмов машинного обучения.

.. toctree::
   :maxdepth: 2

   hyperopt-intro
   hyperopt-api
   rs-async.md
   sh-intro
   sh-async