Denemeleri gözden geçirme

Tamamlandı

Birden çok hiper parametre bileşimi denemek için Optuna'yı kullandığınızda, her denemenin ayrıntılarını gözden geçirebilirsiniz. Bu ayrıntıları iki şekilde gözden geçirebilirsiniz:

• Her deneme için MLflow çalıştırmasını görüntüleyin.
• Çalıştırma ayrıntılarını yakalamak için Çalışma ve Deneme sınıflarını kullanın.

Her deneme için MLflow çalıştırmasını görüntüleme

Azure Databricks'te, her deneme için MLflow deneme çalıştırmalarını otomatik olarak oluşturmak için Optuna'yı MLflow ile tümleştirebilirsiniz. Bu, burada gösterildiği gibi Azure Databricks portalında her deneme için tam hiper parametre ve ölçüm kümesini görüntülemenin kolay bir yolunu sağlar:

Çalışma ve Deneme sınıflarını kullanma

Optuna, Çalışma ve Deneme sınıflarını kullanarak deneme ayrıntılarını yönetir.

• Okumak: Bir çalışma, iyileştirme oturumunu temsil eder. En iyi hiper parametreleri bulma işlemini yönetir. Bunu tüm denemeleri, sonuçlarını ve şimdiye kadar bulunan en iyi parametreleri depolayan bir kapsayıcı olarak düşünebilirsiniz.

• Deneme: Deneme, belirli bir hiper parametre kümesiyle iyileştirme işleminin tek bir çalıştırmasını temsil eder. Her deneme, kullanılan parametre değerlerini, sonuçta elde edilen hedef değeri (doğruluk veya kayıp gibi) ve diğer meta verileri (süre, durum vb.) kaydeder.

Aşağıdaki kod örneği, her denemenin ayrıntılarını gözden geçirmek için Optuna'nın nasıl kullanılacağını gösterir.

import optuna

def objective(trial):
    # Define your hyperparameters using trial.suggest_* methods
    x = trial.suggest_float("x", -10, 10)
    # ... your model training and evaluation ...
    return (x - 2) ** 2  # Example objective

study = optuna.create_study(direction="minimize")
study.optimize(objective, n_trials=100)

print("Best param values: ", study.best_params)

# Get details from each trial run
print("trials:")
for trial in study.trials:
    print("\n", trial)

Tavsiye

Deneme sınıfları tarafından kaydedilen ayrıntılar hakkında daha fazla bilgi için Optuna belgelerine bakın.