عند استخدام GridSearchCV، هل من الأفضل التركيز على ضبط مجموعة محددة من المعلمات الفائقة ذات الصلة، أم تجربة جميع المعلمات الفائقة المتاحة والمهمة للنموذج؟

الأفضل التركيز على ضبط مجموعة محددة من المعلمات الفائقة ذات الصلة للنموذج، فكلما زاد عدد المعلمات الفائقة والقيم المُختبرة، زادت التركيبات الممكنة بشكل كبير، وذلك يُعرف باسم مُشكلة لعنة الأبعاد - Curse of Dimensionality، وذلك يؤدي إلى استهلاك موارد حاسوبية كبيرة ووقت طويل دون فائدة في حال بعض المعلمات غير مؤثرة.

أيضًا اختبار معلمات غير مهمة يؤدي إلى تخصيص النموذج بشكل مفرط لبيانات التدريب، خاصةً لو مجموعة البيانات صغيرة، والنماذج المُعقدة جداً تفشل في التعميم على بيانات جديدة.

وفي حال المعلمات غير معروفة الأهمية، استخدم RandomizedSearchCV بدلاً من GridSearchCV لاستكشاف نطاق أوسع للمعلمات بكفاءة، أو أدوات مثل SHAP أو feature_importance لفهم تأثير المعلمات غير المعروفة.

بتاريخ 8 دقائق مضت قال Mustafa Suleiman:

RandomizedSearchCV 

لو سمحت اي دي ؟ واي الفرق مابينها وبين الGridSearchCV ؟

RandomizedSearchCV  يختبر عددًا محددًا من التركيبات عشوائيًا من التوزيعات المُحددة ومناسب في حال  المعلمات كثيرة أو تحتوي على نطاقات مستمرة، أو تريد تحسن سريع بموارد قليلة، بينما GridSearchCV يختبر جميع التركيبات الممكنة للمعلمات ومناسب في حال المعلمات قليلة وقيمها محدودة مع دضمان العثور على التركيبة الأمثل مهما كلف الأمر.

تمام جدا 

الف شكراا جدا لحضرتك 

جزاك الله كل خير