Parameter Konfiguration

Training ohne Hyperparameter-Suche

Wenn in der Anfrage mindestens ein Parameter in der Sektion parameters angegeben ist und keine Hyperparameter explizit definiert werden, deaktiviert die App die automatische Hyperparameter-Suche. Stattdessen wird das Modell direkt mit den festgelegten Parametern trainiert. Die Parameter, die nicht angegeben sind, behalten dabei ihre Standardwerte.

---

Parameter-Übersicht und Beschreibung

Hier ist eine vollständige Beschreibung der Parameter, die im Training verwendet werden:

Parameter	Beschreibung	Standardwert
num_classes	Anzahl der Klassen (nur relevant für Klassifikationsaufgaben).	null
binary_encoding	Steuert die binäre Kodierung für Kategorien.	null
num_lstm_layers	Anzahl der LSTM-Schichten im Modell. Je mehr Schichten, desto komplexer und leistungsfähiger das Modell.	2
lstm_units	Anzahl der Neuronen pro LSTM-Schicht. Mehr Neuronen erlauben es dem Modell, mehr Muster zu lernen.	50
activation	Aktivierungsfunktion für die LSTM-Schichten. Optionen: tanh, relu, sigmoid, linear.	"tanh"
learning_rate	Die Geschwindigkeit, mit der das Modell seine Parameter anpasst. Ein niedriger Wert erhöht die Genauigkeit, verlängert jedoch die Trainingszeit.	0.001
optimizer_type	Optimierungsalgorithmus, der zur Fehlerreduktion genutzt wird. Optionen: adam, sgd, rmsprop usw.	"adam"
clipnorm	Begrenzung der Gradienten-Normen, um Training instabiler Modelle zu vermeiden.	null
loss	Verlustfunktion, die während des Trainings minimiert wird. Standardwert ist mean_squared_error (MSE) für Regressionsaufgaben.	"mean_squared_error"
dropout_rate	Prozentsatz der Neuronen, die während des Trainings zufällig deaktiviert werden, um Overfitting zu vermeiden.	0.0
num_dense_layers	Anzahl der zusätzlichen Dense-Schichten (vollständig verbunden).	0
dense_units	Anzahl der Neuronen in den Dense-Schichten.	50
dense_activation	Aktivierungsfunktion für Dense-Schichten. Optionen: relu, tanh, sigmoid, linear.	"relu"
use_batch_norm	Legt fest, ob Batch-Normalisierung verwendet wird (Glättung der Eingabeverteilung).	false
metrics	Liste der Metriken, die zur Bewertung des Modells verwendet werden. Beispiele: mse (Mean Squared Error).	["mse"]
stateful	Gibt an, ob das Modell den Zustand zwischen Batch-Trainingszyklen beibehält.	true
batch_size	Größe der Trainingsbatches. Kleinere Batches erfordern weniger Speicher, verlangsamen aber das Training.	1

Verhalten bei der Angabe von Parametern

• Wenn mindestens ein Parameter in der Sektion parameters angegeben ist, verwendet die App direkt diese Werte für das Training.

• Keine Hyperparameter-Suche: Die App überspringt die Suche nach optimalen Hyperparametern, da Sie bereits spezifische Werte festgelegt haben.

• Standardwerte: Alle nicht angegebenen Parameter behalten ihre Standardwerte aus der oben gezeigten Liste.

---

Beispiel-Konfiguration

Einfache Anfrage ohne Hyperparameter-Suche:

{
    "gai": "example_asset",
    "target_attribute": "temperature",
    "forecast_length": 3,
    "context_length": 10,
    "parameters": {
        "num_lstm_layers": 3,
        "lstm_units": 128,
        "activation": "relu",
        "dropout_rate": 0.2,
        "learning_rate": 0.0005
    }
}

Erklärung:

• Die Parameter num_lstm_layers, lstm_units, activation, dropout_rate und learning_rate wurden festgelegt.

• Alle nicht angegebenen Parameter (z. B. num_dense_layers, batch_size, loss) verwenden ihre Standardwerte.

• Das Modell wird direkt mit den festgelegten Parametern trainiert, ohne die Hyperparameter-Suche zu starten.

---

Wann sollte man Parameter selbst festlegen?

• Wenn Sie bereits Erfahrung mit Modellen haben und spezifische Einstellungen vorgeben möchten.

• Wenn Sie schnell ein Modell trainieren möchten, ohne auf die automatische Optimierung zu warten.

• Bei kleinen Datensätzen, bei denen eine aufwendige Hyperparameter-Suche nicht notwendig ist.

---

Zusammenfassung

Durch das manuelle Festlegen der Parameter wird das Training beschleunigt, da die automatische Hyperparameter-Suche deaktiviert wird. Gleichzeitig ermöglicht die App, nicht definierte Parameter flexibel mit bewährten Standardwerten zu ergänzen.