Bir ML uzmanı, bir öğrenme oranı aralığı üzerinde SageMaker hiperparametre optimizasyonu (HPO) çalıştırdı. Çoğu deneme 0,01 ile 0,1 arasında öğrenme oranları kullandı, ancak en iyi deneme 0,01'in altında bir öğrenme oranına sahipti. Eğitim işleri değişen veriler üzerinde düzenli olarak çalışacaktır. Uzman, belirtilen MinValue–MaxValue aralığında öğrenme oranlarını daha eşit şekilde örnekleyen bir yaklaşım istiyor. En doğru çözüm hangi seçenektir?

Doğru cevap, HPO yapılandırmasını daha geniş bir aralıkta logaritmik ölçekte örnekleme yapacak şekilde değiştirmektir. Mevcut durumda, en iyi deneme başlangıçta belirlenen aralığın dışında bir öğrenme oranına sahip olduğundan, bu, arama alanının yetersiz olduğunu gösterir. Logaritmik ölçeklendirme, öğrenme oranları gibi değerlerin genellikle katlar halinde değiştiği durumlarda daha eşit bir örnekleme sağlar ve bu da daha geniş bir aralığın daha etkili bir şekilde keşfedilmesine olanak tanır. Diğer seçenekler, birden fazla HPO işi çalıştırmayı veya mevcut en iyi yapılandırmayı kullanmayı önerir, ancak bunlar sorunun temel nedeni olan arama alanının yetersizliğini gidermez veya gereksiz karmaşıklık yaratır.