Хотя машинное обучение может показаться заманчивым вариантом для принятия обоснованных решений или автоматизации ручного процесса, это не то, что не требует контроля. Алгоритмы машинного обучения необходимо время от времени перекалибровывать, когда показатели модели падают ниже порогового значения — это может быть из-за ухудшения качества данных, разброса данных или резких изменений в обучающих наборах данных. Один из самых популярных способов убедиться, что модель хорошо работает в..

В этой статье представлен подход к обучению нескольких моделей машинного обучения с автоматической оптимизацией гиперпараметров каждой модели с помощью Машинного обучения Azure. Прежде чем перейти к той части, где я объясню, как это сделать, давайте сначала лучше поймем его мотивацию. Я буду использовать пример, примененный к проблеме прогнозирования спроса, сценарий, в котором обычно применяется этот тип подхода. Методы прогнозирования спроса широко используются компаниями,..