Hyperparameter Tuning এবং Optuna

Hyperparameter Tuning

Hyperparameter Tuning হল মেশিন লার্নিং মডেলের কার্যকারিতা উন্নত করার জন্য মডেলের হাইপারপ্যারামিটারগুলির সঠিক মান নির্ধারণের প্রক্রিয়া। হাইপারপ্যারামিটারগুলি এমন প্যারামিটার যা মডেলের প্রশিক্ষণের আগে সেট করা হয় এবং প্রশিক্ষণের সময় পরিবর্তন করা যায় না। এগুলি মডেলের কার্যকারিতা, প্রশিক্ষণের গতি এবং অবকাঠামোর সক্ষমতা প্রভাবিত করে।

সাধারণ হাইপারপ্যারামিটারগুলি:

• Learning Rate: এটি নির্ধারণ করে মডেল কত দ্রুত শিখবে।
• Batch Size: প্রতিটি প্রশিক্ষণ আপডেটের জন্য ডেটার নমুনার সংখ্যা।
• Number of Epochs: প্রশিক্ষণের জন্য মোট সংখ্যা।
• Dropout Rate: নিউরাল নেটওয়ার্কে অপ্রয়োজনীয় নিউরনগুলি বাদ দেওয়ার হার।
• Regularization Parameters: যেমন L1 বা L2 নিয়ন্ত্রণ, যা ওভারফিটিং কমাতে সাহায্য করে।

Hyperparameter Tuning Techniques

1. Grid Search: এটি একটি সহজ পদ্ধতি যা বিভিন্ন হাইপারপ্যারামিটার কম্বিনেশন নিয়ে কাজ করে।
2. Random Search: এটি হাইপারপ্যারামিটার স্পেসে র‍্যান্ডম নমুনা নিয়ে কাজ করে।
3. Bayesian Optimization: এটি একটি অগ্রগতি শিখার পদ্ধতি যা কার্যকারিতা বাড়ানোর জন্য তথ্য ব্যবহার করে।
4. Optuna: একটি শক্তিশালী এবং ব্যবহারকারী-বান্ধব লাইব্রেরি যা Bayesian Optimization এবং অন্যান্য পদ্ধতির মাধ্যমে হাইপারপ্যারামিটার টিউনিংকে সহজ করে।

Optuna পরিচিতি

Optuna হল একটি হাইপারপ্যারামিটার টিউনিং লাইব্রেরি যা কার্যকারিতা উন্নত করার জন্য মেশিন লার্নিং মডেলের হাইপারপ্যারামিটারগুলি স্বয়ংক্রিয়ভাবে অনুসন্ধান করে। এটি Python এ লেখা হয়েছে এবং এটি সহজে ব্যবহারযোগ্য এবং ইনস্টল করা সহজ।

Optuna-এর বৈশিষ্ট্য:

1. Easy to Use: Optuna একটি সহজ API প্রদান করে যা ব্যবহারকারীদের দ্রুত কোড লেখার সুযোগ দেয়।
2. Dynamic Search Space: Optuna ডায়নামিক সার্চ স্পেস সমর্থন করে, যা বাস্তব সময়ে নতুন হাইপারপ্যারামিটার যুক্ত করতে দেয়।
3. Pruning: Optuna অপ্রয়োজনীয় ট্রায়ালগুলি স্বয়ংক্রিয়ভাবে বন্ধ করতে সক্ষম, যাতে সময় এবং কম্পিউটিং রিসোর্স সাশ্রয় হয়।
4. Visualization: Optuna ফলাফল ভিজ্যুয়ালাইজেশনের জন্য বিভিন্ন টুল প্রদান করে, যা মডেল কনফিগারেশন বিশ্লেষণে সহায়ক।

Optuna ব্যবহার করা

Optuna ব্যবহার করতে হলে প্রথমে এটি ইনস্টল করতে হবে:

pip install optuna

একটি সহজ উদাহরণ:

import optuna

def objective(trial):
    # Hyperparameter suggestions
    learning_rate = trial.suggest_loguniform('learning_rate', 1e-5, 1e-1)
    n_estimators = trial.suggest_int('n_estimators', 50, 300)

    # Create and train your model (example with a random forest)
    model = RandomForestRegressor(n_estimators=n_estimators, random_state=42)
    model.fit(X_train, y_train)

    # Evaluate the model
    score = model.score(X_val, y_val)
    return score

# Create a study object and optimize
study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=100)

# Print the best hyperparameters
print("Best hyperparameters: ", study.best_params)

উপসংহার

Hyperparameter tuning মডেল দক্ষতা এবং কর্মক্ষমতা বাড়ানোর জন্য অপরিহার্য, এবং Optuna হল একটি শক্তিশালী সরঞ্জাম যা এই প্রক্রিয়াটিকে সহজ ও কার্যকর করে তোলে। Optuna এর মাধ্যমে ব্যবহারকারীরা স্বয়ংক্রিয়ভাবে এবং কার্যকরভাবে হাইপারপ্যারামিটার অনুসন্ধান করতে পারেন, যা তাদের মেশিন লার্নিং প্রকল্পের ফলাফল উন্নত করে।

Hyperparameter Tuning মেশিন লার্নিং মডেলগুলির কার্যকারিতা উন্নত করার জন্য একটি গুরুত্বপূর্ণ প্রক্রিয়া। এটি মডেলের প্রশিক্ষণ প্রক্রিয়ার আগে কিছু প্যারামিটার (যেগুলো মডেলটির স্থায়ী বৈশিষ্ট্য) সেট করার প্রক্রিয়া। সঠিক হাইপারপ্যারামিটার নির্বাচন করে মডেলের সঠিকতা এবং কার্যকারিতা বাড়ানো সম্ভব। নিচে কিছু জনপ্রিয় Hyperparameter Tuning কৌশল উল্লেখ করা হলো:

১. Grid Search

• বর্ণনা: Grid Search হল একটি নির্দিষ্ট ফ্রেমওয়ার্ক, যেখানে একটি নির্দিষ্ট প্যারামিটারের মানগুলোর একটি গ্রিড তৈরি করা হয় এবং প্রতিটি সম্ভাব্য সংমিশ্রণ পরীক্ষা করা হয়।
• সুবিধা: এটি প্যারামিটারগুলোর সঠিক কম্বিনেশন খুঁজে বের করতে সহায়ক।
• অসুবিধা: এটি সময়সাপেক্ষ হতে পারে, বিশেষ করে যখন প্যারামিটার সংখ্যা এবং মানের সংখ্যা বেশি হয়।

from sklearn.model_selection import GridSearchCV

param_grid = {
    'n_estimators': [50, 100],
    'max_depth': [10, 20, None]
}

grid_search = GridSearchCV(estimator=model, param_grid=param_grid)
grid_search.fit(X_train, y_train)

২. Random Search

• বর্ণনা: Random Search একটি কার্যকরী পদ্ধতি, যেখানে হাইপারপ্যারামিটার স্পেস থেকে এলোমেলোভাবে কিছু প্যারামিটার নির্বাচন করা হয়।
• সুবিধা: এটি Grid Search-এর তুলনায় কম সময় নেয় এবং অনেক সময়ে ভালো ফলাফল দেয়।
• অসুবিধা: এটি সবসময় সঠিক প্যারামিটার খুঁজে নাও পেতে পারে।

from sklearn.model_selection import RandomizedSearchCV

param_distributions = {
    'n_estimators': [50, 100, 200],
    'max_depth': [10, 20, None]
}

random_search = RandomizedSearchCV(estimator=model, param_distributions=param_distributions, n_iter=10)
random_search.fit(X_train, y_train)

৩. Bayesian Optimization

• বর্ণনা: Bayesian Optimization একটি আধুনিক এবং কার্যকরী পদ্ধতি, যা পূর্ববর্তী পরীক্ষার ফলাফল ব্যবহার করে পরবর্তী হাইপারপ্যারামিটার সেটিং নির্বাচন করে।
• সুবিধা: এটি দ্রুত এবং কার্যকরীভাবে সঠিক প্যারামিটার খুঁজে বের করতে পারে।
• অসুবিধা: কিছু সময়ে এটি জটিল এবং সেটআপ করতে বেশি সময় লাগতে পারে।

from skopt import BayesSearchCV

param_space = {
    'n_estimators': (50, 200),
    'max_depth': (10, 30)
}

bayes_search = BayesSearchCV(estimator=model, search_spaces=param_space)
bayes_search.fit(X_train, y_train)

৪. Hyperband

• বর্ণনা: Hyperband একটি নতুন কৌশল, যা একাধিক হাইপারপ্যারামিটার কম্বিনেশনের কার্যকারিতা পরীক্ষা করে এবং কম কার্যকরী কম্বিনেশনগুলো দ্রুত বাদ দেয়।
• সুবিধা: এটি দ্রুত সমাধান প্রদান করে এবং কম্পিউটেশনাল খরচ সাশ্রয় করে।
• অসুবিধা: কিছু ক্ষেত্রে এটি সম্ভাব্য ভালো মডেলকে বাদ দিতে পারে।

৫. Cross-Validation

• বর্ণনা: Cross-Validation হল একটি মূল্যায়ন কৌশল, যেখানে ডেটা সেটকে বিভিন্ন ভাগে ভাগ করা হয় এবং প্রতিটি অংশের জন্য ভিন্নভাবে প্রশিক্ষণ এবং মূল্যায়ন করা হয়।
• সুবিধা: এটি মডেলের কার্যকারিতা ভালভাবে বুঝতে সাহায্য করে এবং ওভারফিটিং কমাতে সহায়ক।
• অসুবিধা: সময় সাপেক্ষ হতে পারে।

৬. Optuna

• বর্ণনা: Optuna একটি স্বয়ংক্রিয় হাইপারপ্যারামিটার অপটিমাইজেশন ফ্রেমওয়ার্ক, যা Bayesian Optimization কৌশল ব্যবহার করে।
• সুবিধা: সহজ এবং ব্যবহারকারী-বান্ধব, দ্রুত এবং কার্যকর।
• অসুবিধা: নতুন ব্যবহারকারীদের জন্য কিছুটা শেখার প্রয়োজন হতে পারে।

উপসংহার

Hyperparameter Tuning একটি গুরুত্বপূর্ণ প্রক্রিয়া, যা মডেলের কার্যকারিতা এবং সঠিকতা বাড়াতে সাহায্য করে। উপরের বিভিন্ন কৌশলগুলি ব্যবহার করে আপনি আপনার মডেলের জন্য সঠিক হাইপারপ্যারামিটার সেটিংস নির্বাচন করতে পারেন। কৌশলগুলোর সুবিধা এবং অসুবিধাগুলি বুঝে সঠিক পদ্ধতি নির্বাচন করা মডেল প্রশিক্ষণের জন্য অত্যন্ত কার্যকর।

Optuna হল একটি জনপ্রিয় হাইপারপ্যারামিটার অপটিমাইজেশন লাইব্রেরি যা মেশিন লার্নিং মডেলগুলির জন্য অত্যন্ত কার্যকরী। এটি সহজে এবং কার্যকরভাবে মডেলের হাইপারপ্যারামিটারগুলি টিউন করতে সহায়তা করে। নিচে Optuna ব্যবহার করে হাইপারপ্যারামিটার অপটিমাইজেশন করার প্রক্রিয়া বর্ণনা করা হলো।

ধাপ ১: প্রয়োজনীয় লাইব্রেরি ইনস্টল করা

Optuna ইনস্টল করার জন্য, আপনি নিচের কমান্ডটি ব্যবহার করতে পারেন:

pip install optuna

ধাপ ২: মডেল তৈরি করা

এখানে আমরা একটি সাধারণ PyTorch মডেল তৈরি করব এবং Optuna ব্যবহার করে হাইপারপ্যারামিটার অপটিমাইজেশন করব।

import optuna
import torch
from torch import nn
from torch.utils.data import DataLoader, Dataset
import torch.optim as optim

# Dummy dataset
class MyDataset(Dataset):
    def __init__(self):
        self.data = torch.randn(1000, 10)
        self.targets = torch.randn(1000, 1)

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        return self.data[idx], self.targets[idx]

# Model definition
class MyModel(nn.Module):
    def __init__(self, hidden_size):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, hidden_size)
        self.fc2 = nn.Linear(hidden_size, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

ধাপ ৩: Objective Function তৈরি করা

Optuna এ একটি objective function তৈরি করতে হবে, যা হাইপারপ্যারামিটারগুলি গ্রহণ করে এবং মডেল প্রশিক্ষণের জন্য ক্ষতি (loss) ফেরত দেয়।

def objective(trial):
    # Hyperparameters
    hidden_size = trial.suggest_int('hidden_size', 16, 128)  # Hidden layer size
    learning_rate = trial.suggest_loguniform('learning_rate', 1e-5, 1e-1)  # Learning rate

    # DataLoader
    dataset = MyDataset()
    dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

    # Model, loss function and optimizer
    model = MyModel(hidden_size)
    criterion = nn.MSELoss()
    optimizer = optim.Adam(model.parameters(), lr=learning_rate)

    # Training loop
    for epoch in range(10):  # Train for a few epochs
        for batch_data, batch_labels in dataloader:
            optimizer.zero_grad()
            outputs = model(batch_data)
            loss = criterion(outputs, batch_labels)
            loss.backward()
            optimizer.step()

    return loss.item()  # Return the loss for optimization

ধাপ ৪: Optuna স্টাডি তৈরি করা

Optuna স্টাডি তৈরি করুন এবং অপটিমাইজেশন চালান।

# Create a study and optimize the objective function
study = optuna.create_study(direction='minimize')  # Minimize the loss
study.optimize(objective, n_trials=50)  # Run for 50 trials

ধাপ ৫: ফলাফল বিশ্লেষণ

Optuna-তে ট্রেইন করা মডেলগুলির সেরা হাইপারপ্যারামিটারগুলি দেখতে পারেন।

print('Best hyperparameters: ', study.best_params)
print('Best trial: ', study.best_trial)

উপসংহার

Optuna একটি শক্তিশালী এবং কার্যকরী হাইপারপ্যারামিটার অপটিমাইজেশন লাইব্রেরি, যা মডেলের কার্যকারিতা বাড়াতে সহায়তা করে। এটি মেশিন লার্নিং মডেলগুলির জন্য বিভিন্ন হাইপারপ্যারামিটারগুলির উপযুক্ত মান খুঁজে বের করতে সহায়তা করে, যা আপনার মডেলের সঠিকতা এবং কার্যকারিতা বাড়াতে পারে।

মডেল পারফরম্যান্স উন্নত করার জন্য কিছু শ্রেষ্ঠ অনুশীলন (Best Practices) রয়েছে, যা মেশিন লার্নিং এবং ডিপ লার্নিং প্রকল্পগুলিতে কার্যকরী। এই অনুশীলনগুলি অনুসরণ করে, আপনি আপনার মডেলের সঠিকতা, সাধারণীকরণ ক্ষমতা এবং সামগ্রিক কার্যকারিতা বৃদ্ধি করতে পারেন। নিচে কিছু গুরুত্বপূর্ণ শ্রেষ্ঠ অনুশীলন উল্লেখ করা হলো:

১. ডেটা প্রস্তুতি এবং ক্লিনিং

• ডেটা বিশ্লেষণ: ডেটার বৈশিষ্ট্য এবং গুণমান বুঝতে বিশ্লেষণ করুন। মিসিং ভ্যালু, অযৌক্তিক মান এবং আউটলায়ার্স চিহ্নিত করুন।
• ডেটা ক্লিনিং: মিসিং মান পূরণ করুন, ডুপ্লিকেট ডেটা সরান এবং অযৌক্তিক মান অপসারণ করুন।
• ডেটা অগমেন্টেশন: ডেটার বৈচিত্র্য বৃদ্ধি করতে নতুন উদাহরণ তৈরি করুন, যেমন চিত্র ডেটার ক্ষেত্রে রোটেশন, ফ্লিপিং, বা স্কেলিং।

২. বৈশিষ্ট্য প্রকৌশল

• বৈশিষ্ট্য নির্বাচন: অপ্রয়োজনীয় বৈশিষ্ট্য বাদ দিন, যা মডেলের কার্যকারিতা হ্রাস করতে পারে। প্রয়োজনীয় বৈশিষ্ট্যগুলি নির্বাচন করতে বিভিন্ন অ্যালগরিদম ব্যবহার করুন।
• নতুন বৈশিষ্ট্য তৈরি: বিদ্যমান বৈশিষ্ট্যগুলি ব্যবহার করে নতুন বৈশিষ্ট্য তৈরি করুন, যা মডেলের অন্তর্দৃষ্টি বাড়াতে সহায়ক।
• বৈশিষ্ট্য স্কেলিং: বিভিন্ন স্কেলের বৈশিষ্ট্যগুলিকে একটি সাধারণ স্কেলে নিয়ে আসুন, যেমন Min-Max Scaling বা Standardization।

৩. মডেল নির্বাচন এবং প্রশিক্ষণ

• মডেল বৈচিত্র্য: বিভিন্ন মডেল পরীক্ষা করুন (যেমন Decision Trees, Random Forest, XGBoost, Neural Networks) এবং সবচেয়ে ভাল কাজ করা মডেল নির্বাচন করুন।
• Hyperparameter Tuning: হাইপারপ্যারামিটারগুলির সঠিক মান নির্ধারণ করার জন্য Grid Search, Random Search, বা Bayesian Optimization ব্যবহার করুন।
• Cross-Validation: ডেটার বিভক্তি ব্যবহার করে মডেলের কর্মক্ষমতা যাচাই করুন। K-fold cross-validation একটি সাধারণ পদ্ধতি।

৪. মডেল ডিপ্লয়মেন্ট এবং মনিটরিং

• Model Checkpointing: প্রশিক্ষণের সময় সেরা মডেল সংরক্ষণ করুন যাতে প্রয়োজনে ফিরে আসতে পারেন।
• Early Stopping: প্রশিক্ষণের সময় ওভারফিটিং প্রতিরোধ করতে early stopping ব্যবহার করুন, যখন validation loss বৃদ্ধি পেতে শুরু করে।
• Model Monitoring: ডিপ্লয়মেন্টের পরে মডেলের কার্যকারিতা নিয়মিত পর্যবেক্ষণ করুন এবং কোনো সমস্যা হলে তা সমাধান করুন।

৫. Ensemble Learning

• Ensemble Techniques: বিভিন্ন মডেলের সম্মিলন করে একটি শক্তিশালী মডেল তৈরি করুন। Bagging, Boosting, এবং Stacking কৌশলগুলি ব্যবহার করুন।
• Voting Classifier: বিভিন্ন ক্লাসিফায়ারের ফলাফলগুলি একত্রিত করে একটি যৌথ সিদ্ধান্ত গ্রহণ করুন।

৬. Regularization Techniques

• L1/L2 Regularization: ওভারফিটিং প্রতিরোধ করতে L1 (Lasso) এবং L2 (Ridge) নিয়মিতকরণ ব্যবহার করুন।
• Dropout: নিউরাল নেটওয়ার্কে dropout লেয়ার ব্যবহার করে ওভারফিটিং কমান।

৭. ইনফারেন্স অপটিমাইজেশন

• Batch Processing: একসাথে একাধিক ইনপুট ডেটা প্রসেস করুন, যা ইনফারেন্সের সময় কমায় এবং কর্মক্ষমতা বাড়ায়।
• Model Quantization: মডেলের আকার এবং প্রক্রিয়াকরণের সময় কমাতে সংখ্যা প্রকার পরিবর্তন করুন।

উপসংহার

মডেল পারফরম্যান্স উন্নত করার জন্য উপরে উল্লিখিত শ্রেষ্ঠ অনুশীলনগুলি অনুসরণ করলে আপনি আপনার মডেলের সঠিকতা, কার্যকারিতা এবং সাধারণীকরণ ক্ষমতা বৃদ্ধি করতে পারবেন। এই কৌশলগুলি আপনাকে একটি শক্তিশালী এবং নির্ভরযোগ্য মডেল তৈরি করতে সহায়তা করবে, যা বিভিন্ন পরিস্থিতিতে ভাল কাজ করবে।

Hyperparameter tuning হল মেশিন লার্নিং মডেলের পারফরম্যান্স উন্নত করার একটি গুরুত্বপূর্ণ প্রক্রিয়া। এটি মডেলের হাইপারপ্যারামিটারগুলির মান নির্বাচন করার মাধ্যমে করা হয়। PyTorch Lightning ব্যবহার করে Hyperparameter tuning করার জন্য একটি সাধারণ প্রক্রিয়া নিচে বর্ণনা করা হলো, যেখানে আমরা Optuna ব্যবহার করব।

প্রয়োজনীয় লাইব্রেরি ইমপোর্ট করা

প্রথমে প্রয়োজনীয় লাইব্রেরিগুলি ইমপোর্ট করুন।

import pytorch_lightning as pl
import torch
from torch import nn, optim
from torch.utils.data import DataLoader, TensorDataset
import optuna

১. Lightning Module তৈরি করা

Lightning Module তৈরি করতে, আপনাকে pl.LightningModule শ্রেণীকে হেরিটেজ করতে হবে।

class LitModel(pl.LightningModule):
    def __init__(self, learning_rate=0.001, hidden_size=64):
        super(LitModel, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(10, hidden_size),
            nn.ReLU(),
            nn.Linear(hidden_size, 1)
        )
        self.criterion = nn.MSELoss()
        self.learning_rate = learning_rate

    def forward(self, x):
        return self.model(x)

    def training_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self.forward(x)
        loss = self.criterion(y_hat, y)
        self.log('train_loss', loss)
        return loss

    def configure_optimizers(self):
        return optim.Adam(self.model.parameters(), lr=self.learning_rate)

২. ডেটাসেট তৈরি করা

একটি কাস্টম ডেটাসেট তৈরি করুন এবং DataLoader ব্যবহার করুন।

# ডেটা তৈরি করা
x_train = torch.randn(1000, 10)  # 1000 টির মধ্যে 10টি বৈশিষ্ট্য
y_train = torch.randn(1000, 1)    # লক্ষ্য পরিবর্তনশীল
train_dataset = TensorDataset(x_train, y_train)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

৩. Optuna সেটআপ করা

Optuna ব্যবহার করে হাইপারপ্যারামিটার টিউনিং করতে নিচের কোডটি ব্যবহার করুন।

def objective(trial):
    # হাইপারপ্যারামিটার সংজ্ঞায়িত করা
    learning_rate = trial.suggest_loguniform('learning_rate', 1e-5, 1e-1)
    hidden_size = trial.suggest_int('hidden_size', 32, 128)

    # Lightning model তৈরি
    model = LitModel(learning_rate=learning_rate, hidden_size=hidden_size)

    # Trainer সেটআপ
    trainer = pl.Trainer(max_epochs=10, logger=False)

    # মডেল প্রশিক্ষণ
    trainer.fit(model, train_loader)

    # ভ্যালিডেশন লস রিটার্ন করুন
    return trainer.callback_metrics['train_loss'].item()

৪. Hyperparameter Tuning শুরু করা

Optuna স্টাডি তৈরি করুন এবং টিউনিং শুরু করুন।

# Optuna স্টাডি তৈরি
study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=20)  # 20টি ট্রায়াল চালান

# সেরা হাইপারপ্যারামিটার এবং মেট্রিক্স প্রিন্ট করা
print("Best hyperparameters: ", study.best_params)
print("Best trial value: ", study.best_value)

৫. সেরা মডেল প্রশিক্ষণ

সেরা হাইপারপ্যারামিটার ব্যবহার করে মডেল পুনরায় প্রশিক্ষণ দিন।

# সেরা হাইপারপ্যারামিটার থেকে মডেল তৈরি করুন
best_model = LitModel(learning_rate=study.best_params['learning_rate'], 
                      hidden_size=study.best_params['hidden_size'])

# পুনরায় প্রশিক্ষণ
trainer = pl.Trainer(max_epochs=10)
trainer.fit(best_model, train_loader)

উপসংহার

এই নির্দেশিকাগুলি অনুসরণ করে, আপনি PyTorch Lightning এবং Optuna ব্যবহার করে একটি কার্যকরী Hyperparameter tuning প্রক্রিয়া তৈরি করতে পারেন। এই পদ্ধতি ব্যবহার করে, আপনি আপনার মডেলের পারফরম্যান্স বৃদ্ধি করতে পারবেন এবং মডেলের জন্য সেরা হাইপারপ্যারামিটার নির্বাচন করতে পারবেন।