Tuning là gì?

Điều chỉnh (tuning) trong học máy (machine learning) thường là một quá trình thử và sai (trial and error), trong đó bạn thay đổi một số siêu tham số (hyperparameter) (ví dụ như số cây (tree) trong một thuật toán dựa trên cây (tree-based algorithm) hoặc giá trị của alpha trong thuật toán tuyến tính (linear algorithm)), chạy lại thuật toán trên dữ liệu, sau đó so sánh hiệu suất (performance) của nó trên tập tối ưu (validation set) của bạn để xác định bộ siêu tham số nào dẫn đến mô hình chính xác nhất.

Tất cả các thuật toán học máy (machine learning algorithm) đều có một bộ siêu tham số "mặc định" và siêu tham số này là "cấu hình nằm ngoài mô hình (model) và không thể ước tính giá trị của nó từ dữ liệu." Các thuật toán khác nhau bao gồm các siêu tham số khác nhau. Ví dụ trong mô hình hồi quy chính quy (regularized regression) có hệ số penalty, cây quyết định (decision tree) có một số nhánh (branch) và mạng nơ-ron có một số lớp (layer). Khi xây dựng mô hình, các nhà phân tích và nhà khoa học dữ liệu chọn cấu hình mặc định của các siêu tham số này sau khi chạy mô hình trên một số tập dữ liệu (dataset).

Mặc dù bộ siêu tham số chung cho mỗi thuật toán cung cấp điểm khởi đầu để phân tích và nói chung sẽ dẫn đến một mô hình hoạt động tốt, nhưng nó có thể không có cấu hình tối ưu cho tập dữ liệu cụ thể. Để tìm các siêu tham số tốt nhất cho dữ liệu của bạn, bạn cần điều chỉnh (tune) chúng.