نسبة الكثافتين في TPE تساعد على فهم كيف يقترح البحث إعدادًا تالياً. لكن الرقم الناتج من القسمة ليس خسارة النموذج أو نسبة نجاحه. نفحص جدول كثافات صغيرًا من إعدادنا لنرى لماذا قد يفوز اقتراح لا يملك أكبر كثافة منفردة، دون تشغيل Optuna أو ملاءمة توزيع.
الخلاصة السريعة
نسبة l إلى g معيار اقتراح في العقد المذكور، وليست قيمة أداء مقاسة أو وعدًا بأن المرشح التالي سيحقق أفضل نتيجة.
- في عقد TPESampler تقارن l قيم معاملات مرتبطة بأفضل الأهداف، وg بالبقية، ثم تختار نسبة l إلى g الأكبر. [1]
- كثافاتنا المعلنة موجبة: أ يعطي نسبة اثنين، وب واحدًا، وج خمسة؛ يفوز ج بين الثلاثة رغم أن l عند ب أكبر.
- النسبة خمسة لا تعني دقة خمسة أو خسارة خمسة أو احتمالًا مقداره 500 ٪؛ لم نعط قيمة الهدف المستقبلية ولم نلائم خليطًا حقيقيًا.
- إعداد n_startup_trials يستعمل المعاينة العشوائية قبل اكتمال عدد البداية المحدد. [1] سجل تاريخ البحث وإصداره؛ لم ننفذ دراسة أو نثبت أفضلية الاقتراح.
أي مجموعتين تصفهما الكثافتان؟
يوثق TPESampler ملاءمة خليط غاوسي l لقيم معاملات مرتبطة بأفضل قيم الهدف، وخليط g للقيم الباقية، واختيار المعامل الذي يعظم النسبة بينهما. [1]
نحصر الشرح في هذا العقد المقروء. نعلن أن هدف بحثنا المصور خسارة نريد تصغيرها؛ كلمة «أفضل» هنا تشير إلى خسائر أقل في تاريخ مفترض، وليست اسم فئة تصنيف. لا نحتاج أسماء أمثلة التدريب كي نميز وظيفة المجموعتين.
ولقراءة مثالنا التالي، نفترض أن قيم الكثافة أعطيت لنا عند ثلاث نقاط في المحور نفسه وبوحدة القياس نفسها. لن نعيد اشتقاقها من سجل لم نقدم بياناته، ولن نسميها احتمالات ثلاث فئات يجب أن تجمع إلى واحد.
لماذا لا تكفي أكبر قيمة منفردة؟
نعلن عند النقطة أ قيمتي l = 0.2 وg = 0.1 ؛ نسبتهما اثنان. عند ب القيمتان 0.3 و 0.3 ؛ النسبة واحد. عند ج القيمتان 0.1 و 0.02 ؛ النسبة خمسة. كل مقام موجب، ولذلك القسمة معرفة في جدولنا.
أكبر l منفردة هي 0.3 عند ب، لكن أكبر نسبة هي خمسة عند ج. اختلاف السؤال يغير الاختيار: ترتيب البسط وحده ليس ترتيب البسط بالنسبة إلى المقام. سنسجل ج بوصفه الفائز بين النقاط الثلاث في الورقة فقط.
لم نزعم أن هذه الأرقام نتجت من ملاءمة خليط غاوسي، أو أن ج هو أعظم نسبة على محور كامل. هناك نقاط لم نضعها في الجدول، وإجراء توليد مرشحين لم نجربه. المثال يوضح القسمة والمقارنة حين تكون القيم معطاة.
هل خمسة رقم دقة أو خسارة؟
النسبة خمسة لا تحمل وحدة خسارة المهمة؛ هي مقارنة كثافتين في جدولنا. لا نكتب أن المرشح ج أخطأ خمس مرات أو أن احتمال نجاحه 500 ٪. هذا نقل للعدد من سؤال إلى سؤال آخر دون قاعدة تحويل.
يمكن أن تكون الخسارة التي ستقاس عند تجربة ج كبيرة أو صغيرة؛ لا يوجد في المثال تقييم جديد يحددها. وكذلك لا نستنتج ترتيب خسائر أ وب وج من ترتيب النسب مباشرة. قاعدة الاقتراح لا توفر نتائج الخطوة التي لم تحدث.
نحفظ في بطاقة الاقتراح خانة للنسبة وخانة مستقلة للهدف المقاس بعد التجربة إن نفذت. اسم الخانتين يمنع أن يعرض تقرير مختصر الرقم الأكبر وكأنه درجة نجاح. الجدول الحالي لا يحتوي تلك الخانة الثانية ولا يملؤها تقديرًا.
متى لا تكون الخطوة اقتراح TPE بعد؟
ينص n_startup_trials على استعمال المعاينة العشوائية بدل TPE حتى يكتمل العدد المحدد من تجارب البداية في الدراسة نفسها. [1]
لذلك لا ننسب كل اقتراح في سجل بحث إلى القسمة التي عرضناها، لمجرد أن اسم المخطط TPE. نراجع مرحلة البحث والتجارب المكتملة والإعداد المسجل. لم نحدد هنا عدد بداية تطبيقيًا أو نشغل دراسة تسمح بتحديد المرحلة.
قبل مقارنة طريقتين، وثق الهدف واتجاهه والتاريخ والإصدار وطريقة توليد المرشحين، ثم راجع النتائج الفعلية. تبقى نسبة جدولنا أداة شرح محددة، لا اختبار تفوق على بحث آخر أو توصية بأن إعدادًا واحدًا يناسب كل مهمة.
المصادر ومتابعة القراءة
- Optuna5.0: TPESampler (يفتح في نافذة جديدة)optuna.readthedocs.io
أُعدّ هذا المقال بصياغة عربية أصلية بالاستناد إلى المصادر أعلاه، وهو مدخل تمهيدي إلى الموضوع. اقرأ منهجية المحتوى وحدوده.