Ajuste Eficiente de Hiperparâmetros com Busca em Grade para Categorização de Texto usando Abordagem kNN com Similaridade BM25

Resumo No aprendizado de máquina, o ajuste de hiperparâmetros é o problema de escolher um conjunto de hiperparâmetros ótimos para um algoritmo de aprendizado. Várias abordagens têm sido amplamente adotadas para o ajuste de hiperparâmetros, que é tipicamente um processo que consome tempo. Propomos uma técnica eficiente para acelerar o processo de ajuste de hiperparâmetros com Busca em Grade. Aplicamos esta técnica na categorização de texto usando o algoritmo kNN com similaridade BM25, onde três hiperparâmetros precisam ser ajustados. Nossos experimentos mostram que a técnica proposta é pelo menos uma ordem de magnitude mais rápida do que o ajuste convencional.