Title: Calibration of supervised learning models using model parameters optimization algorithms
Original Title: Kalibracija modela nadziranog učenja optimizacijom modelskih parametara
Authors: Jadran Berbić, Eva Ocvirk, Dijana Oskoruš, Tatjana Vujnović
DOI: https://doi.org/10.5592/CO/ZT.2017.13
First page: 73 Last page: 80
Publish date: 18.9.2017 Publish date online: 18.9.2017
Abstract: Searching for optimal parameters of supervised learning models for the purpose of hydrological modelling tend to be timely exhaustive. Duration of parameter searching depend of model representation, number of instances for model training and calibration, number of varied parameters, range and number of parameters in the range, number of used combinations of dataset division in training and calibration part, model nature for chosen parameters. Dependence of model precisions of parameters choice is decreased with increase of number of instances for model training, and in the case of decreased number of instances more attention has to be put on parameter searchin Results of parameter searching for three supervised models with different input variables configuration are shown in the paper. Searching is done by using two basic principles: choice of best solution for chosen ranges and number of parameters and by searching with optimization algorithm – simulated annealin.
Sažetak: Pretraživanje optimalnih parametara modela nadziranog učenja u svrhu hidrološkog modeliranja može biti zahtjevno u vremenskom smislu. Trajanje pretraživanja parametara ovisi o reprezentaciji modela, količini primjera za gradnju i kalibraciju modela, količini variranih parametara, rasponu i količini parametara unutar raspona, broju ispitanih kombinacija podjele skupa podataka na dijelove za gradnju i kalibraciju, prirodi modela za odabrane parametre. Ovisnost preciznosti modela o odabiru parametara smanjuje se s povećanjem količine primjera za gradnju modela te je u slučaju smanjene količine primjera potrebno više pažnje posvetiti odabiru parametara. U radu su prikazani rezultati pretraživanja parametara za tri modela nadziranog učenja različitih konfiguracija ulaznih varijabli. Pretraživanje je provedeno pomoću dva osnovna principa: odabirom najboljeg rješenja za odabrane raspone i količinu parametara te korištenjem optimizacijskog algoritma – simuliranog kaljenja.