Grid Searchترکیب‌های یک شبکهٔ تنظیم را بررسی می‌کند؛Random Searchپیکربندی‌ها را با یک قرارداد نمونه‌گیری انتخاب می‌کند. پیش از بحثِ بهترین امتیاز باید بدانیم کدام ترکیب‌ها اصلاًدیده شده‌اند و بودجه چه واحدی دارد. با دو طرحِ چهارپیکربندی،پوشش محورهای تنظیم را می‌شماریم؛هیچ مدلی آموزش یا رتبه‌بندی نشده است.
دامنهٔ مجاز۹تایی و بودجهٔ چهار انتخاب
سه نرخِ مجاز۰٫۰۰۱،۰٫۰۱و۰٫۱وسه عمق۱،۲،۳داریم؛ضرب دکارتیِ کامل۹ترکیب است. بودجهٔ این تمرین چهار پیکربندی است،نهچهارثانیه یا هزینهٔ مالیِ برابر. اجرای همهٔ شبکهٔ۹تایی با همین سقف چهار انتخاب ممکن نیست.
برای طرح شبکه‌ایِ کوچک‌تر،فقط دو سرِ محور نرخ و دو سرِ محور عمق را انتخاب می‌کنیم:۲×۲=۴ترکیب. این یک شبکهٔ coarseبا محورهای مشخص است؛آن را بررسیِ کاملِ دامنهٔ۹تایی نمی‌نامیم. طرح تصادفی،چهار زوج یکتا از همان دامنهٔ مجاز۹تایی می‌گیرد و جایگذاری ندارد.
چهار انتخابِ هر طرح
| نوبت | شبکهٔ کوچک:نرخ/عمق | تصادفیِ ثبت‌شده:نرخ/عمق |
|---|---|---|
| ۱ | 0.001 / 1 | 0.01 / 3 |
| ۲ | 0.001 / 3 | 0.001 / 3 |
| ۳ | 0.1 / 1 | 0.01 / 1 |
| ۴ | 0.1 / 3 | 0.1 / 3 |
ترتیب تصادفی باrandom.Random(7).sampleواقعاًدرPythonساخته و خود فهرست نیز ذخیره شده است. کد ما اجرایParameterSamplerیاGridSearchCVدرscikit-learnنیست؛از مستندات رسمی برای تعریف مفهوم استفاده و نمونه‌گیریِ همین تمرین را با کتابخانهٔ استاندارد انجام داده‌ایم.
پوشش محور با کیفیت مدل فرق دارد
در شبکهٔ کوچک،دو نرخ و دو عمق؛در نمونهٔ تصادفیِ اینseed،سه نرخ و دو عمق دیده شده‌اند. هر دو چهار زوج یکتا دارند. از بیشترشدن تعداد نرخ‌های دیده‌شده،بهترشدن مدل یا یافتن بهترین ترکیب نتیجه نمی‌گیریم؛امتیازی برای هیچ زوج نداریم.
seedدیگر ممکن است پوشش دیگری بدهد. اگر از دامنهٔ۹تایی هر۹زوج را بدون جایگذاری برداریم،مجموعهٔ انتخابی همان شبکهٔ کامل است و فقط ترتیب می‌تواند فرق کند؛کد این حالت را هم کنترل کرده است. وقتی از توزیع پیوسته یا با جایگذاری استفاده کنید،قرارداد و امکان تکرار فرق می‌کند و باید صریح ثبت شود.
تعدادcandidate،زمانِ واقعی نیست
عمق متفاوت یا نرخِ متفاوت می‌تواند هزینهٔ اجرای متفاوتی داشته باشد. برابریِ چهار انتخاب،بدون اندازه‌گیری به معنی زمان،حافظه یا پولِ برابر نیست. برای برآورد اجرا،روش اعتبارسنجی،تعداد دورها و قواعد توقف نیز باید معلوم باشند؛در این تمرین هیچ هزینه‌ای ساخته یا اندازه‌گیری نشده است.
انتخاب تنظیم و آزمون بیرونی جای ارزیابی را توضیح می‌دهد؛این صفحه مجموعهٔcandidateها را پیش از برازش می‌سازد. پارامتر و ابرپارامتر نیز نقش این تنظیم‌ها را از وزن مدل جدا می‌کند. این سه موضوع را با یک «بهترین عدد»جایگزین نکنید.
فایل و ادامهٔ تمرین
JSONدامنه،محورهای شبکهٔ کوچک،فهرست تصادفی و قرارداد بودجه را دارد. Python۹ترکیب،دو فهرست۴تایی،پوشش محور و یکتابودن را واقعاً کنترل کرده است. برای تمرینseedرا تغییر دهید و قبل از هر بحثِ کیفیت،فهرستِ واقعاًدیده‌شده را ثبت کنید. ادامهٔ مبانی در صفحهٔ هوش مصنوعی است؛این مثال روش تنظیم یا زمانِ اجرای محصولات اپرا را اعلام نمی‌کند.
فایل تمرین و منبع
دو طرح چهارپیکربندی در دامنهٔ مجاز۹تایی؛نمونهٔ تصادفی واقعاًثبت‌شده · کد ساخت طرح‌ها،پوشش محور و کنترل نمونه‌گیری بدون جایگذاری
منابع در ۳ نوامبر ۲۰۲۶ خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.