উত্তর:
গ্রিড অনুসন্ধানটি ধীর গতির কারণ এটি হাইপার-প্যারামিটার সেটিংসের তদন্ত করতে অনেক সময় ব্যয় করে যা অনুকূলের কাছাকাছি নয়। আরও ভাল সমাধান হ'ল নেল্ডার-মিড সিমপ্লেক্স অ্যালগরিদম , যার জন্য গ্রেডিয়েন্ট তথ্য গণনার প্রয়োজন হয় না এবং এটি কার্যকর করার জন্য সোজা হয় (উইকিপিডিয়া পৃষ্ঠায় পর্যাপ্ত তথ্য থাকা উচিত)। ওয়েকা টুলবক্সে কিছু জাভা কোডও থাকতে পারে , তবে আমি ম্যাটল্যাবে কাজ করি এবং ওয়েকার দিকে কোনও দুর্দান্ত বিবরণ দিয়ে দেখিনি।
হাইপার-প্যারামিটারের চেয়ে মডেল পরামিতিগুলি অনুসন্ধানের জন্য এসএমও হ'ল একটি অ্যালগরিদম।
নেল্ডার-মাড সিমপ্লেক্স পদ্ধতিটি একটি সাধারণ গ্রিড অনুসন্ধান হিসাবে অনেক ফাংশন মূল্যায়নকে জড়িত করতে পারে। সাধারণত ত্রুটির পৃষ্ঠটি সর্বোত্তম প্যারামিটার মানগুলির নিকটবর্তী পর্যায়ে মসৃণ থাকে যা একটি মোটা গ্রিড অনুসন্ধানের পরে একটি ছোট অঞ্চলে সূক্ষ্ম পরিমাণে যথেষ্ট হওয়া উচিত।
আপনি যদি সি এবং গামার গ্রেডিয়েন্ট ভিত্তিক অপ্টিমাইজেশনে আগ্রহী হন তবে ব্যাসার্ধ-মার্জিন সীমানা অনুকূলকরণ বা বৈধতা সেটটিতে ত্রুটির হারকে অনুকূলকরণ করার মতো পদ্ধতি রয়েছে। উদ্দেশ্যগত ফাংশনের গ্রেডিয়েন্টের গণনাতে একটি এসভিএম ট্রেনের মতো কিছু জড়িত তবে একটি সাধারণ গ্রেডিয়েন্ট বংশোদ্ভূত মাত্র কয়েক ডজন পুনরাবৃত্তি জড়িত থাকতে পারে। ( নিবন্ধ এবং একটি মতলব বাস্তবায়নের জন্য http://olivier.chapelle.cc/ams/ দেখুন ))
আপনার প্রশ্নের সাথে সম্পর্কিত অ্যালেক্স স্মোলার ব্লগে এখানে একটি এন্ট্রি দেওয়া আছে
এখানে একটি উদ্ধৃতি:
[...] বাছুন, আপনার ডেটাসেট থেকে এলোমেলোভাবে 1000 জোড়া (x, x ') বলুন, এই জাতীয় সমস্ত জোড়ার দূরত্ব গণনা করুন এবং মিডিয়ান, 0.1 এবং 0.9 কোয়ান্টাইল নিন take এই তিনটি সংখ্যার যে কোনও একটিকে বিপরীতমুখী হতে এখন বেছে নিন pick অল্প অল্প করে ক্রুডিয়ালিফিকেশন দিয়ে আপনি বুঝতে পারবেন যে তিনটির মধ্যে কোনটি সবচেয়ে ভাল। বেশিরভাগ ক্ষেত্রে আপনাকে আর কোনও অনুসন্ধানের প্রয়োজন হবে না।