İçeriğe geç
parazade
Yapay Zeka

Rastgele Arama Nedir?

İngilizce: Random Search

Yayın: · Son güncelleme:

Rastgele Arama Nedir? Kısaca

Rastgele arama (random search), hiperparametre optimizasyonunda olası değer kombinasyonlarını tek tek denemek yerine, belirlenen aralıklardan rastgele örnekler çekerek en iyi ayarı arayan yöntemdir.

Rastgele Arama nedir?
İçindekiler
  1. Rastgele arama nedir?
  2. Neden işe yarar?
  3. Örnek
  4. Avantajları ve sınırları

Rastgele arama, model ayarlarını bulmak için kullanılan basit ama etkili bir yöntemdir. Her hiperparametre için bir değer aralığı ya da dağılım belirlenir, sonra bu aralıklardan rastgele kombinasyonlar seçilip denenir.

Rastgele arama nedir?

Izgara aramada her hiperparametre için birkaç değer seçilir ve tüm kombinasyonlar denenir. Örneğin 3 hiperparametrenin her biri için 5 değer, 125 deneme demektir. Rastgele aramada ise toplam deneme sayısını sen belirlersin (ör. 30) ve her denemede değerler rastgele çekilir.

Neden işe yarar?

Pratikte hiperparametrelerin hepsi model başarısını eşit etkilemez; genellikle birkaçı belirleyicidir. Izgara aramada önemli bir hiperparametre yalnızca birkaç farklı değerde denenir, çünkü diğer kombinasyonlar aynı değerleri tekrarlar. Rastgele aramada ise her deneme, önemli hiperparametre için yeni bir değer dener. Bu nedenle aynı bütçeyle önemli boyutta çok daha geniş bir tarama yapılır. Bu gözlem, 2012'de yayımlanan ve alanda sık atıf alan bir çalışmayla yaygınlık kazanmıştır.

Örnek

Varsayımsal bir modelde öğrenme oranı için 0,0001 ile 0,1 arası (logaritmik ölçekte), dropout için 0,1 ile 0,5 arası seçilir. 40 rastgele kombinasyon denenir ve doğrulama setinde en iyi sonucu veren ayar seçilir.

Avantajları ve sınırları

Avantaj Sınır
Uygulaması çok kolay Önceki denemelerden öğrenmez
Denemeler paralel yürütülebilir Şans faktörü vardır; en iyi nokta kaçırılabilir
Deneme bütçesi esnektir Çok pahalı modellerde verimsiz kalabilir

Rastgele arama genellikle iyi bir başlangıç noktasıdır. Daha akıllı bir arama gerekiyorsa Bayesçi optimizasyon gibi yöntemlere geçilebilir. Genel çerçeve için hiperparametre optimizasyonu maddesine bakabilirsin.

Sıkça Sorulan Sorular

Rastgele arama ızgara aramadan her zaman daha mı iyi?

Her zaman değil. Az sayıda hiperparametre ve küçük bir arama alanı varsa ızgara arama yeterli olabilir. Hiperparametre sayısı arttıkça rastgele arama genellikle daha verimli hâle gelir.

Rastgele aramada kaç deneme yapılmalı?

Kesin bir sayı yoktur; hesaplama bütçesine ve arama alanının büyüklüğüne bağlıdır. Birkaç düzine deneme çoğu zaman makul bir başlangıç sağlar.

İlgili terimler

Hiperparametre Optimizasyonu(Hyperparameter Optimization)Hiperparametre optimizasyonu, bir makine öğrenmesi modelinin eğitimden önce belirlenen ayarlarının (öğrenme oranı, ağaç derinliği, katman sayısı gibi) en iyi performansı verecek değerlerini sistematik olarak arama sürecidir.Hiperparametre(Hyperparameter)Hiperparametre, model eğitimi başlamadan önce insan tarafından belirlenen ve öğrenme sürecini yöneten ayarlardır; öğrenme oranı, batch size ve epoch sayısı en bilinen örnekleridir.AutoML(Automated Machine Learning)AutoML (otomatik makine öğrenmesi), veri ön işleme, özellik mühendisliği, model seçimi ve hiperparametre ayarı gibi makine öğrenmesi adımlarını otomatikleştirerek uzmanlık ve zaman ihtiyacını azaltan yöntem ve araçların genel adıdır.Çapraz Doğrulama(Cross-Validation)Çapraz doğrulama (cross-validation), veri setini birkaç parçaya bölüp modeli her seferinde farklı bir parçayı test için ayırarak tekrar tekrar eğiten ve sonuçların ortalamasıyla modelin yeni verilerdeki başarısını daha güvenilir ölçen yöntemdir.Öğrenme Oranı(Learning Rate)Öğrenme oranı, gradyan inişi sırasında model parametrelerinin her adımda ne kadar büyük miktarda değiştirileceğini belirleyen ve eğitimin başarısını en çok etkileyen hiperparametrelerden biridir.DropoutDropout, yapay sinir ağlarının eğitimi sırasında her adımda nöronların bir kısmını rastgele geçici olarak devre dışı bırakan ve böylece ağın belirli nöronlara aşırı bağımlı olmasını önleyerek aşırı öğrenmeyi azaltan bir düzenlileştirme tekniğidir.