Due to the increasing amount of data, machine learning algorithms have gained importance, as they automatically process large data sets. These algorithms are calibrated by hyper- parameters, that need to be chosen carefully. Hyper-parameter optimization methods are used to automatize this process. This thesis discusses hyper-parameter optimization in the context of sparse grid density estimation. First, the concept of density estimation is introduced, followed by classification and clustering, two common types of machine learning that can be based on it. Afterwards, hyper-parameters are defined, and various methods to optimize them are presented. Grid search, random search, and Bayesian optimization are discussed in theory and in the context of my implementation. These methods are used to optimize the hyper-parameters for normal and adaptive classification. Finally, the performance of the implemented methods is analyzed and compared to that of the open source software hyperopt.     «

Due to the increasing amount of data, machine learning algorithms have gained importance, as they automatically process large data sets. These algorithms are calibrated by hyper- parameters, that need to be chosen carefully. Hyper-parameter optimization methods are used to automatize this process. This thesis discusses hyper-parameter optimization in the context of sparse grid density estimation. First, the concept of density estimation is introduced, followed by classification and clusteri...     »

Durch die zunehmende Menge an Daten haben Algorithmen für maschinelles Lernen an Relevanz gewonnen, da diese automatisch große Datensätze verarbeiten. Diese Algorithmen werden von Hyperparametern kalibriert, die sorgfältig ausgewählt werden müssen. Hyperpa- rameteroptimierungsmethoden werden verwendet um diesen Prozess zu automatisieren. Diese Arbeit bespricht Hyperparameteroptimierung im Kontext von Dünngitter Dichteschätzung. Zuerst wird das Konzept der Dichteschätzung eingeführt, gefolgt von Klassifizierung und Clustering, zwei verbreiteten Arten von maschinellem Lernen, die darauf basieren können. Danach werden Hyperparameter definiert, sowie diverse Methoden präsentiert diese zu optimieren. Rastersuche, Zufallssuche sowie Bayessche Optimierung werden theoretisch und im Kontext meiner Implementierung besprochen. Diese Methoden werden verwendet um die Hyperparameter von normaler und adaptiver Klassifizierung zu optimieren. Die Leistung der implementierten Methoden wird im letzten Schritt analysiert, sowie mit der Leistung der Open-Source-Software hyperopt verglichen.     «

Durch die zunehmende Menge an Daten haben Algorithmen für maschinelles Lernen an Relevanz gewonnen, da diese automatisch große Datensätze verarbeiten. Diese Algorithmen werden von Hyperparametern kalibriert, die sorgfältig ausgewählt werden müssen. Hyperpa- rameteroptimierungsmethoden werden verwendet um diesen Prozess zu automatisieren. Diese Arbeit bespricht Hyperparameteroptimierung im Kontext von Dünngitter Dichteschätzung. Zuerst wird das Konzept der Dichteschätzung eingeführt, gefolgt...     »