Hyperparameter

Hyperparameter

Hyperparameter는 일반적인 model의 parameter와 다르게, 학습 과정으로부터 배우는 parameter가 아니라 학습 과정을 control하기 위해 사용자가 직접 설정하는 parameter를 말한다. 일반적인 model의 parameter는 learnable parameter라고도 한다.

Hyperparameter는 dataset로부터 최적 값을 계산할 수 없지만, dataset에 따라서 최적의 값이 달라진다.

Hyperparameter Tuning

Hyperparameter는 model (특히 deep model)의 performance에 중요한 영향을 미치므로, 적절한 값을 찾아내기 위한 노력이 중요하다. 이 과정을 hyperparameter tuning 또는 hyperparameter optimizing이라고 하며, 일반적인 hyperparameter tuning의 목적은 test error를 낮게 만드는 값을 찾아내는 것이다.

따라서, 최적의 hyperparameter는 CV 등을 적용하여 validation set error를 최소로 만드는 값으로 선택하는 것이 일반적이다.

Hyperparameter Tuning Methods

기본적으로 hyperparameter는 empirical하게 최선의 조합을 찾아야 한다. 이 때 주로 두가지 방법으로 hyperparameter tuning이 진행된다.

• Grid Search
  • 각 hyperparameter에 대해서 가능한 값들에 대한 후보군을 설정하고, 모든 hyperparameter 조합에 대해서 측정해보는 것이다.
  • 일반적으로, 후보군을 설정할 때 logarithmic scale로 설정한다 (예. {50, 100, 250, 500, 1000}).
  • Computational cost가 exponential하게 증가할 수 있다.
• Random Search
  • Hyperparameter 값에 대한 distribution을 설정하고, random sample을 통해 최선의 조합을 찾아내는 것이다.
  • Logarithmic하게 sampling하기 위해, log-scaling된 hyperparameter 값에 대해서 uniform하게 sampling 한다 (예. log_learning_rate ~ uniform(-1,-5)).
  • 상대적으로 grid search보다 더 빠르게 좋은 조합을 찾을 수 있다.