การสร้างโมเดล AI ที่แข็งแกร่งด้วยการบรรจุถุง: เทคนิค คุณประโยชน์ และการใช้งาน

การบรรจุถุงเป็นเทคนิคการเรียนรู้ของเครื่อง (ML) ที่ปรับปรุงความสอดคล้องของแบบจำลองการคาดการณ์ คู่มือนี้จะอธิบายวิธีการทำงานของการบรรจุถุง อภิปรายการข้อดี ความท้าทาย และการใช้งาน และเปรียบเทียบกับเทคนิคที่เกี่ยวข้อง เช่น การเพิ่มประสิทธิภาพ

สารบัญ

• การบรรจุถุงคืออะไร?
• ความแปรปรวนกับอคติ
• การบรรจุถุงและการเพิ่มประสิทธิภาพ
• การบรรจุถุงทำงานอย่างไร
• ประเภทของอัลกอริทึมการบรรจุถุง
• การประยุกต์ใช้งานบรรจุถุง
• ข้อดีของการบรรจุถุง
• ความท้าทายและข้อจำกัดของการบรรจุถุง

การบรรจุถุงคืออะไร?

Bagging (หรือที่เป็นทางการกว่านั้นคือ bootstrapaggregating) เป็นเทคนิคการเรียนรู้แบบ Ensemble ที่ปรับปรุงความแม่นยำของเอาต์พุตโดยใช้โมเดล ML ที่คล้ายกันหลายตัว โดยแก่นแท้แล้ว การเรียนรู้แบบ Ensemble จะรวมโมเดลต่างๆ เข้าด้วยกันเพื่อให้ได้ประสิทธิภาพที่ดีกว่าโมเดลใดๆ

แนวทางนี้เกี่ยวข้องกับการแบ่งข้อมูลการฝึกออกเป็นชุดย่อยแบบสุ่ม และการฝึกโมเดลที่แตกต่างกันในแต่ละชุด สำหรับอินพุตใหม่ ระบบจะรวบรวมการคาดการณ์จากแบบจำลองทั้งหมดเพื่อสร้างผลลัพธ์สุดท้าย การใช้เซ็ตย่อยแบบสุ่ม เทคนิคนี้จะช่วยลดความคลาดเคลื่อนระหว่างแบบจำลอง ส่งผลให้การคาดการณ์มีความสม่ำเสมอมากขึ้น

การบรรจุถุงมีประสิทธิภาพอย่างยิ่งในการปรับปรุงความสม่ำเสมอโดยการลดความแปรปรวนของระบบ ML ให้เหลือน้อยที่สุด

ความแปรปรวนกับอคติ

การลดอคติและความแปรปรวนเป็นเป้าหมายพื้นฐานของโมเดลหรือระบบ ML ใดๆ

อคติอธิบายถึงข้อผิดพลาดที่ระบบ ML สร้างขึ้นเนื่องจากสมมติฐานเกี่ยวกับข้อมูลที่เห็น โดยปกติจะพิจารณาจากการคำนวณว่าโมเดลมีข้อผิดพลาดโดยเฉลี่ยมากน้อยเพียงใด ความแปรปรวนจะวัดความสอดคล้องของแบบจำลอง ประมาณโดยการตรวจสอบว่าเอาต์พุตของโมเดลแตกต่างกันอย่างไรสำหรับอินพุตที่คล้ายกัน

มีอคติสูง

ตัวอย่างเช่น ลองพิจารณาปัญหาในการทำนายราคาขายบ้านจากคุณลักษณะต่างๆ ของบ้าน (เช่น พื้นที่เป็นตารางฟุตและจำนวนห้องนอน) แบบจำลองธรรมดาอาจตั้งสมมติฐานที่ซับซ้อนหลายอย่างและดูเฉพาะพื้นที่เป็นตารางฟุตเท่านั้น ทำให้เกิดอคติสูง มันจะผิดพลาดอยู่เสมอ แม้แต่ในข้อมูลการฝึกอบรม เนื่องจากความเป็นจริงนั้นซับซ้อนกว่าสมมติฐาน ดังนั้นจึงไม่สามารถคาดเดาราคาที่แท้จริงได้ (เช่น ที่ตั้ง คุณภาพโรงเรียน และจำนวนห้องนอน)

มีความแปรปรวนสูง

โมเดลที่ซับซ้อนมากขึ้นอาจรับทุกแนวโน้มในข้อมูลการฝึกและมีความแปรปรวนสูง ตัวอย่างเช่น โมเดลนี้อาจพบความสัมพันธ์เล็กๆ น้อยๆ ระหว่างเลขที่บ้าน (ส่วนตัวเลขของที่อยู่ถนนเป็นหลัก) และราคาในข้อมูลการฝึกอบรมและนำไปใช้ แม้ว่าจะไม่ใช่ตัวทำนายที่แท้จริงก็ตาม มันจะทำงานได้ดีกับข้อมูลการฝึกอบรม แต่ไม่ดีกับข้อมูลในโลกแห่งความเป็นจริง

การแลกเปลี่ยนความแปรปรวน-อคติ

แบบจำลองในอุดมคติจะมีอคติต่ำและความแปรปรวนต่ำ ทำให้เกิดผลลัพธ์ที่ถูกต้องสม่ำเสมอจากอินพุตที่คล้ายกัน ความลำเอียงสูงมักเป็นผลมาจากแบบจำลองที่ง่ายเกินกว่าที่จะจับรูปแบบในข้อมูลการฝึก—การปรับให้เหมาะสมเกินไป ความแปรปรวนสูงมักเป็นผลมาจากแบบจำลองที่จับรูปแบบปลอมในข้อมูลการฝึก - การปรับมากเกินไป

การเพิ่มความซับซ้อนของโมเดลสามารถช่วยให้โมเดลจับรูปแบบได้มากขึ้น ซึ่งนำไปสู่อคติที่ลดลง อย่างไรก็ตาม โมเดลที่ซับซ้อนกว่านี้มีแนวโน้มที่จะพอดีกับข้อมูลการฝึกมากเกินไป นำไปสู่ความแปรปรวนที่สูงขึ้น และในทางกลับกัน ในทางปฏิบัติ การแลกเปลี่ยนความแปรปรวนของอคติและความสมดุลที่ดีนั้นทำได้ยาก

การบรรจุถุงมุ่งเน้นไปที่การลดความแปรปรวน แต่ละรุ่นในกลุ่มอาจมีความแปรปรวนสูงเนื่องจากเกินพอดีกับชุดข้อมูล แต่เนื่องจากแต่ละโมเดลได้รับชุดข้อมูลแบบสุ่ม พวกเขาจะค้นพบรูปแบบปลอมที่แตกต่างกัน ในตัวอย่างราคาบ้าน โมเดลหนึ่งอาจประเมินบ้านที่เป็นเลขคู่สูงเกินไป อีกแบบอาจประเมินราคาบ้านต่ำไป และส่วนใหญ่อาจเพิกเฉยต่อเลขที่บ้านโดยสิ้นเชิง

รูปแบบตามอำเภอใจเหล่านี้มีแนวโน้มที่จะเฉลี่ยเมื่อเราเฉลี่ยการคาดการณ์ ทำให้เรามีความสัมพันธ์ที่แท้จริงที่แท้จริง ดังนั้นทั้งมวลจึงมีความแปรปรวนที่ต่ำกว่าและลดการติดตั้งมากเกินไปเมื่อเปรียบเทียบกับรุ่นใดๆ

การบรรจุถุงและการเพิ่มประสิทธิภาพ

คุณอาจได้ยินการพูดถึงเรื่องการบรรจุถุงในบริบทเดียวกับการเพิ่มประสิทธิภาพ นี่เป็นเทคนิคการเรียนรู้แบบ Ensemble ที่พบบ่อยที่สุดและเป็นรากฐานของโมเดล ML ยอดนิยมหลายโมเดล การบูสต์เป็นเทคนิคที่โมเดลต่างๆ ได้รับการฝึกฝนเกี่ยวกับข้อผิดพลาดของรุ่นก่อนๆ จากนั้นกลุ่มโมเดลนี้จะถูกใช้เพื่อตอบสนองต่ออินพุตใดๆ เรามาหารือเกี่ยวกับความแตกต่างระหว่างสองเทคนิคเพิ่มเติม

เทคนิคทั้งสองเป็นเรื่องปกติ แม้ว่าการเพิ่มประสิทธิภาพจะได้รับความนิยมมากกว่าก็ตาม การเพิ่มสามารถลดทั้งอคติและความแปรปรวนได้ ในขณะที่การบรรจุถุงมักจะส่งผลต่อความแปรปรวนเท่านั้น

การบรรจุถุงทำงานอย่างไร

ลองพิจารณาว่าการบรรจุถุงทำงานอย่างไรจริง ๆ สิ่งสำคัญคือการแบ่งข้อมูลการฝึกแบบสุ่ม ฝึกโมเดลแบบคู่ขนานกับข้อมูลที่แยก และใช้โมเดลทั้งหมดเพื่อตอบสนองต่ออินพุต เราจะจัดการกับแต่ละอย่างตามลำดับ

การแยกข้อมูล

สมมติว่าเรามีชุดข้อมูลการฝึกอบรมที่มีจุดข้อมูลnจุด และต้องการสร้างชุดโมเดลmที่บรรจุถุง จากนั้น เราจำเป็นต้องสร้างชุดข้อมูลm(หนึ่งชุดสำหรับแต่ละรุ่น) โดยแต่ละชุดมีnจุด หากชุดข้อมูลแต่ละชุดมีจุดมากกว่าหรือน้อยกว่าnจุด บางรุ่นอาจได้รับการฝึกอบรมมากเกินไปหรือน้อยเกินไป

ในการสร้างชุดข้อมูลสุ่มใหม่ชุดเดียว เราจะสุ่มเลือกnคะแนนจากชุดข้อมูลการฝึกอบรมเดิม ที่สำคัญ เราจะคืนคะแนนกลับไปยังชุดข้อมูลดั้งเดิมหลังจากการเลือกแต่ละครั้ง ด้วยเหตุนี้ ชุดข้อมูลสุ่มใหม่จะมีสำเนาของจุดข้อมูลดั้งเดิมบางจุดมากกว่าหนึ่งชุด ในขณะที่ชุดอื่นๆ ไม่มีสำเนา โดยเฉลี่ย ชุดข้อมูลนี้จะประกอบด้วยจุดข้อมูลที่ไม่ซ้ำกัน 63% และจุดข้อมูลที่ซ้ำกัน 37%

จากนั้นเราทำซ้ำขั้นตอนนี้เพื่อสร้างชุดข้อมูลmทั้งหมด ความแปรผันในการแสดงจุดข้อมูลช่วยสร้างความหลากหลายระหว่างโมเดลทั้งมวล ซึ่งเป็นกุญแจสำคัญในการลดความแปรปรวนโดยรวม

การฝึกอบรมแบบจำลอง

ด้วยชุดข้อมูลแบบสุ่มmเราเพียงฝึกโมเดลmหนึ่งโมเดลให้กับแต่ละชุดข้อมูล เราควรใช้แบบจำลองประเภทเดียวกันตลอดเพื่อให้แน่ใจว่ามีอคติที่คล้ายคลึงกัน เราสามารถฝึกโมเดลต่างๆ แบบคู่ขนานได้ ช่วยให้วนซ้ำได้เร็วยิ่งขึ้น

การรวมโมเดล

ตอนนี้เรามีโมเดลที่ผ่านการฝึกอบรมแล้วเราสามารถใช้โมเดลเหล่านั้นเป็นชุดเพื่อตอบสนองต่ออินพุตใดๆ ได้ จุดข้อมูลอินพุตแต่ละจุดจะถูกป้อนแบบขนานกับแต่ละรุ่น และแต่ละรุ่นจะตอบสนองต่อเอาต์พุตของมัน จากนั้นเราจะรวมผลลัพธ์ของแบบจำลองเพื่อให้ได้คำตอบสุดท้าย ถ้าเป็นปัญหาการจำแนกประเภท เราจะใช้โหมดของเอาต์พุต (เอาต์พุตที่พบบ่อยที่สุด) หากเป็นปัญหาการถดถอย เราจะหาค่าเฉลี่ยของผลลัพธ์

กุญแจสำคัญในการลดความแปรปรวนที่นี่คือแต่ละรุ่นจะดีกว่าที่อินพุตบางประเภทและแย่กว่าที่รุ่นอื่นๆ เนื่องจากความแตกต่างในข้อมูลการฝึก อย่างไรก็ตาม โดยรวมแล้ว ข้อผิดพลาดของรุ่นใดรุ่นหนึ่งควรถูกยกเลิกโดยรุ่นอื่น ซึ่งจะทำให้ความแปรปรวนลดลง

ประเภทของอัลกอริธึมการบรรจุถุง

การบรรจุถุงเป็นอัลกอริธึมสามารถนำไปใช้กับแบบจำลองทุกประเภทได้ ในทางปฏิบัติ มีโมเดลแบบถุงสองแบบที่พบได้ทั่วไป: ฟอเรสต์แบบสุ่ม และแผนผังการตัดสินใจแบบถุง มาสำรวจทั้งสองอย่างโดยย่อ

ป่าสุ่ม

ฟอเรสต์สุ่มคือกลุ่มของแผนผังการตัดสินใจ ซึ่งแต่ละแผนผังได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลแบบสุ่ม แผนผังการตัดสินใจเป็นแบบจำลองที่ทำการคาดการณ์โดยการตอบคำถามใช่/ไม่ใช่เกี่ยวกับข้อมูลอินพุตจนกว่าจะพบป้ายกำกับที่เหมาะสม

ในฟอเรสต์แบบสุ่ม แผนผังการตัดสินใจแต่ละแผนผังมีไฮเปอร์พารามิเตอร์เหมือนกัน—การกำหนดค่าที่กำหนดไว้ล่วงหน้า เช่น ความลึกสูงสุดของแผนผังหรือตัวอย่างขั้นต่ำต่อการแยก—แต่ใช้คุณสมบัติที่แตกต่างกัน (เลือกโดยการสุ่ม) จากชุดข้อมูลการฝึก หากไม่มีการสุ่มคุณลักษณะ แผนผังการตัดสินใจแต่ละแผนผังอาจมาบรรจบกันเป็นคำตอบที่คล้ายกัน แม้ว่าข้อมูลการฝึกอบรมจะแตกต่างกันก็ตาม ฟอเรสต์สุ่มเป็นตัวเลือกยอดนิยมสำหรับ ML และมักจะเป็นจุดเริ่มต้นที่ดีในการแก้ไขปัญหา ML

ต้นไม้การตัดสินใจแบบถุง

แผนผังการตัดสินใจแบบถุงจะคล้ายกับฟอเรสต์สุ่มมาก ยกเว้นว่าแผนผังทุกต้นใช้คุณลักษณะเดียวกันจากชุดข้อมูลการฝึกอบรม ซึ่งจะช่วยลดความหลากหลายของผลผลิตจากต้นไม้ ซึ่งมีข้อดีและข้อเสีย ข้อดีคือต้นไม้มีความเสถียรมากกว่าและมีแนวโน้มที่จะให้คำตอบที่คล้ายกัน ซึ่งสามารถใช้เพื่อกำหนดคุณลักษณะที่มีความสำคัญได้ ข้อเสียคือความแปรปรวนจะไม่ลดลงมากนัก ด้วยเหตุนี้ ฟอเรสต์แบบสุ่มจึงถูกใช้มากกว่าแผนผังการตัดสินใจแบบถุง

การประยุกต์ใช้งานบรรจุถุง

การบรรจุถุงสามารถใช้ได้กับปัญหา ML ใดๆ ก็ตามที่มีความแปรปรวนสูงกว่าที่ต้องการ ตราบใดที่มีรุ่น ML ก็สามารถใส่ถุงได้ เพื่อให้ชัดเจนยิ่งขึ้น เราจะทบทวนตัวอย่างบางส่วน

การจำแนกประเภทและการถดถอย

การจำแนกประเภทและการถดถอยเป็นปัญหา ML หลักสองประการ ผู้ใช้อาจต้องการติดป้ายกำกับหัวเรื่องของรูปภาพว่าเป็นแมวหรือสุนัข—การจัดหมวดหมู่ หรือผู้ใช้อาจต้องการทำนายราคาขายบ้านจากคุณลักษณะของการถดถอย การบรรจุถุงสามารถช่วยลดความแปรปรวนของทั้งสองอย่างดังที่เราเห็น

ในการจำแนกประเภทจะใช้โหมดของโมเดลทั้งมวล ในการถดถอยจะใช้ค่าเฉลี่ย

การเลือกคุณสมบัติ

การเลือกคุณลักษณะเป็นเรื่องเกี่ยวกับการค้นหาคุณลักษณะที่สำคัญที่สุดในชุดข้อมูล ซึ่งเป็นคุณลักษณะที่คาดการณ์ผลลัพธ์ที่ถูกต้องได้ดีที่สุด ด้วยการลบข้อมูลคุณลักษณะที่ไม่เกี่ยวข้อง นักพัฒนาโมเดลสามารถลดความเป็นไปได้ในการติดตั้งมากเกินไป

การรู้คุณสมบัติที่สำคัญที่สุดยังทำให้แบบจำลองสามารถตีความได้มากขึ้น นอกจากนี้ นักพัฒนาโมเดลสามารถใช้ความรู้นี้เพื่อลดจำนวนฟีเจอร์ในข้อมูลการฝึก ส่งผลให้การฝึกเร็วขึ้น แผนผังการตัดสินใจแบบถุงทำงานได้ดีในการเปิดเผยคุณลักษณะที่สำคัญ คุณสมบัติที่มีน้ำหนักมากภายในนั้นน่าจะเป็นคุณสมบัติที่สำคัญ

การบรรจุถุงในอีคอมเมิร์ซ

การบรรจุถุงในอีคอมเมิร์ซมีประโยชน์อย่างยิ่งในการคาดการณ์การเลิกใช้งานของลูกค้า โมเดล ML ที่ได้รับการฝึกเกี่ยวกับข้อมูลการเปลี่ยนใจมักจะมีความแปรปรวนสูงเนื่องจากรูปแบบพฤติกรรมของลูกค้าที่ซับซ้อนและมีเสียงรบกวน พวกเขาอาจติดตั้งชุดข้อมูลการฝึกอบรมมากเกินไป นอกจากนี้ยังอาจอนุมานความสัมพันธ์ปลอมๆ เช่น สมมติว่าจำนวนสระในชื่อของลูกค้าส่งผลต่อแนวโน้มที่จะเลิกใช้งาน

ชุดข้อมูลการฝึกอบรมอาจมีตัวอย่างเพียงไม่กี่ตัวอย่างที่ทำให้เกิดความพอดีมากเกินไป เมื่อใช้โมเดลแบบถุง กลุ่มนี้สามารถระบุตัวบ่งชี้การเลิกใช้งานจริงได้ดีขึ้น ขณะเดียวกันก็ละเว้นความสัมพันธ์ปลอม ซึ่งนำไปสู่การคาดการณ์การเลิกใช้งานที่เชื่อถือได้มากขึ้น

ข้อดีของการบรรจุถุง

การบรรจุถุงจะช่วยลดความแปรปรวนของโมเดลและการติดตั้งมากเกินไป และสามารถช่วยแก้ไขปัญหาข้อมูลได้ นอกจากนี้ยังเป็นหนึ่งในเทคนิคการบรรจุถุงแบบขนานและมีประสิทธิภาพมากที่สุดอีกด้วย

ความแปรปรวนลดลง

ความแปรปรวนของแบบจำลองบ่งชี้ว่าแบบจำลองไม่ได้เรียนรู้รูปแบบที่แท้จริงและมีความหมายในข้อมูล แต่กลับเลือกสหสัมพันธ์แบบสุ่มที่ไม่ได้มีความหมายมากนักและเป็นสัญญาณของข้อมูลการฝึกอบรมที่ไม่สมบูรณ์

การบรรจุถุงช่วยลดความแปรปรวนของแบบจำลอง วงดนตรีโดยรวมมุ่งเน้นไปที่ความสัมพันธ์ที่มีความหมายระหว่างอินพุตและเอาท์พุต

สรุปข้อมูลใหม่ได้ดี

เนื่องจากแบบจำลองที่บรรจุถุงมีแนวโน้มที่จะรับความสัมพันธ์ที่มีความหมายมากกว่า จึงสามารถสรุปเป็นข้อมูลใหม่หรือข้อมูลที่มองไม่เห็นได้ ลักษณะทั่วไปที่ดีคือเป้าหมายสูงสุดของแมชชีนเลิร์นนิง ดังนั้นการบรรจุถุงจึงมักเป็นเทคนิคที่มีประโยชน์สำหรับโมเดลหลายๆ รุ่น

ในปัญหา ML เกือบทุกปัญหา ชุดข้อมูลการฝึกอบรมไม่ได้เป็นตัวแทนของข้อมูลจริงอย่างสมบูรณ์ ดังนั้นลักษณะทั่วไปที่ดีจึงเป็นสิ่งสำคัญ ในกรณีอื่นๆ การกระจายข้อมูลที่แท้จริงอาจเปลี่ยนแปลงไปตามกาลเวลา ดังนั้นจึงจำเป็นต้องมีแบบจำลองที่ปรับเปลี่ยนได้ การบรรจุถุงช่วยได้ทั้งสองกรณี

มีความขนานกันสูง

ตรงกันข้ามกับการเพิ่มพลัง การสร้างโมเดลแบบถุงสามารถขนานกันได้อย่างมาก แต่ละรุ่นสามารถฝึกได้อย่างอิสระและพร้อมกัน ช่วยให้ทดลองได้อย่างรวดเร็วและปรับแต่งไฮเปอร์พารามิเตอร์ได้ง่ายขึ้น (แน่นอนว่าคุณมีทรัพยากรการประมวลผลเพียงพอที่จะฝึกแบบคู่ขนาน)

นอกจากนี้ เนื่องจากแต่ละรุ่นมีความเป็นอิสระจากกัน จึงสามารถเปลี่ยนเข้าหรือออกได้ ตัวอย่างเช่น โมเดลที่อ่อนแอสามารถฝึกใหม่บนเซ็ตย่อยแบบสุ่มอื่นได้ เพื่อปรับปรุงประสิทธิภาพโดยไม่ต้องสัมผัสกับโมเดลอื่น

ความท้าทายและข้อจำกัดของการบรรจุถุง

น่าเสียดายที่การเพิ่มโมเดลเพิ่มเติมจะทำให้มีความซับซ้อนมากขึ้น ความท้าทายด้านความซับซ้อนที่เพิ่มขึ้นหมายความว่าโมเดลแบบถุงต้องใช้ทรัพยากรการประมวลผลมากขึ้น ตีความและทำความเข้าใจได้ยากขึ้น และต้องมีการปรับแต่งไฮเปอร์พารามิเตอร์มากขึ้น

ต้องการทรัพยากรการคำนวณเพิ่มเติม

โมเดลจำนวนมากขึ้นต้องใช้ทรัพยากรมากขึ้นในการรัน และบ่อยครั้งที่วงดนตรีที่บรรจุถุงมีโมเดลมากกว่า 50 โมเดล วิธีนี้อาจใช้ได้ผลดีกับโมเดลขนาดเล็ก แต่สำหรับโมเดลที่ใหญ่กว่านั้นก็อาจกลายเป็นเรื่องยากได้

เวลาตอบสนองของวงดนตรีอาจได้รับผลกระทบเช่นกันเมื่อวงดนตรีเติบโตขึ้น ทรัพยากรยังมีค่าเสียโอกาสด้วย: ทรัพยากรเหล่านี้อาจนำไปใช้ฝึกแบบจำลองที่ใหญ่กว่าและดีกว่าได้ดีกว่า

ยากกว่าที่จะตีความ

โมเดล ML โดยรวมนั้นตีความได้ยาก โครงสร้างการตัดสินใจส่วนบุคคลจะง่ายกว่าเล็กน้อยเนื่องจากจะแสดงคุณลักษณะที่ตนใช้การตัดสินใจ แต่เมื่อคุณจัดกลุ่มพวกมันไว้ด้วยกัน เช่นเดียวกับในป่าสุ่ม คำตอบที่ขัดแย้งกันจากต้นไม้แต่ละต้นอาจทำให้เกิดความสับสนได้

การใช้โหมดหรือค่าเฉลี่ยของการทำนายไม่ได้อธิบายว่าทำไมการทำนายจึงถูกต้อง ภูมิปัญญาของฝูงชนแม้จะถูกต้อง แต่ก็ยากที่จะเข้าใจ

การปรับแต่งไฮเปอร์พารามิเตอร์เพิ่มเติม

เมื่อมีโมเดลมากขึ้น เอฟเฟกต์ของไฮเปอร์พารามิเตอร์ก็จะถูกขยายให้ใหญ่ขึ้น ข้อผิดพลาดเล็กน้อยประการหนึ่งในไฮเปอร์พารามิเตอร์สามารถส่งผลต่อโมเดลหลายสิบหรือหลายร้อยโมเดลได้ การปรับแต่งไฮเปอร์พารามิเตอร์ชุดเดียวกันต้องใช้เวลามากขึ้น ซึ่งอาจทำให้เกิดภาระกับทรัพยากรที่จำกัดมากยิ่งขึ้น