Training Parameter einstellen

Welche Hyperparameter sollten Sie anpassen?

In den meisten Fällen müssen Sie sich nicht um die Hyperparameter-Suche kümmern, da die App diese automatisch optimiert. Wenn Sie jedoch die Kontrolle über das Training verbessern möchten, konzentrieren Sie sich auf die folgenden Trainingparameter, die direkt den Trainingsprozess steuern:

---

Trainingparameter: Anpassungen nach Bedarf

"trainingparameters": {
    "epochs": 50,
    "patience": 5,
    "validation_split": 0.2,
    "sleep_time": 3600,
    "percentage_data_when_to_retrain": 1.15
}

1. epochs: Maximale Anzahl der Trainingsdurchläufe

   • Bedeutung: Wie oft das Modell den gesamten Datensatz während des Trainings durchläuft.

   • Standardwert: 50

   • Wann anpassen?

     • Erhöhen, wenn Sie sicher gehen wollen, dass Ihr Modell sehr ausführlich trainiert wird.

     • Verringern, um Zeit zu sparen, falls das Modell schon früh gute Ergebnisse liefert.

   Tipp: In Kombination mit patience verhindert die App, dass unnötig viele Epochen durchlaufen werden.

---

1. patience: Frühzeitiges Abbrechen bei Stagnation

   • Bedeutung: Anzahl der Epochen, in denen keine Verbesserung der Validationsdaten festgestellt wird, bevor das Training abgebrochen wird.

   • Standardwert: 5

   • Wann anpassen?

     • Erhöhen, Wenn die Daten vorhersage eher komplex ist.

     • Verringern, um die Trainingszeit zu verkürzen, wenn keine Fortschritte mehr erwartet werden.

---

1. validation_split: Aufteilung der Trainings- und Validierungsdaten

   • Bedeutung: Prozentsatz der Daten, der für die Validierung verwendet wird.

   • Standardwert: 0.2 (20%)

   • Wann anpassen?

     • Erhöhen, wenn mehr Validationsdaten benötigt werden, um das Modell besser zu überprüfen (z. B. bei kleinen Datensätzen).

     • Verringern, wenn ein größerer Teil der Daten für das Training genutzt werden soll.

   Tipp: Ein guter Kompromiss liegt meist zwischen 0.1 (10%) und 0.3 (30%).

---

1. sleep_time: Trainingspause für regelmäßige Aktualisierungen

   • Bedeutung: Wartezeit in Sekunden, bevor die App prüft, ob neue Daten zum Nachtrainieren vorhanden sind.

   • Standardwert: 3600 (1 Stunde)

   • Wann anpassen?

     • Erhöhen, um die Trainingslast zu reduzieren und Ressourcen zu sparen, wenn die Daten weniger häufig aktualisiert werden, bei täglichen daten reicht wahrscheinlich eine "sleep_time" von einem Monat.

     • Verringern, wenn die Daten sehr häufig aktualisiert werden und das Modell öfter neu trainiert werden soll.

---

1. percentage_data_when_to_retrain: Schwellwert für Nachtraining

   • Bedeutung: Gibt an, um wie viel Prozent die Datenmenge gewachsen sein muss, bevor das Modell erneut trainiert wird.

   • Standardwert: 1.15 (15% mehr Daten)

   • Wann anpassen?

     • Erhöhen, um das Nachtrainieren seltener auszuführen und Rechenzeit zu sparen.

     • Verringern, wenn das Modell häufiger aktualisiert werden soll, um immer die neuesten Daten zu berücksichtigen.

   Tipp: 15% ist meistens die optimale Schwelle wann man die Daten neu trainieren sollte.

---

Zusammenfassung der Einstellungen

• epochs und patience steuern die Dauer und Effizienz des Trainings.

• validation_split beeinflusst die Datenaufteilung für Training und Validierung.

• sleep_time und percentage_data_when_to_retrain legen fest, wie häufig das Modell aktualisiert wird, um auf neue Daten zu reagieren.