Ein Data Scientist stimmt einen sehr empfindlichen Hyperparameter x ab; der optimale Wert liegt zwischen 0,5 und 1,0 und wird nahe 1,0 vermutet. Er muss den optimalen Wert mit minimalen Durchläufen und konsistenten Bedingungen finden. Welchen Hyperparameter-Skalierungstyp sollte er verwenden?

Die umgekehrte logarithmische Skalierung ist ideal, wenn der optimale Wert eines Hyperparameters nahe dem oberen Ende eines Bereichs vermutet wird. Sie verteilt die Suchpunkte dichter am oberen Ende des Bereichs, was die Wahrscheinlichkeit erhöht, den optimalen Wert mit weniger Durchläufen zu finden. Da der Data Scientist vermutet, dass der optimale Wert nahe 1,0 liegt, ermöglicht diese Skalierung eine effizientere Suche in diesem kritischen Bereich. Lineare Skalierung würde die Punkte gleichmäßig verteilen, was bei einer Vermutung am oberen Ende ineffizient wäre. Logarithmische Skalierung würde die Punkte am unteren Ende des Bereichs dichter verteilen, was hier nicht zutrifft. Automatische Skalierung ist keine standardisierte Skalierungsart für Hyperparameter.