Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Optimieren Sie ein Modell BlazingText
Die automatische Modelloptimierung, auch bekannt als Hyperparameteroptimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Datensatz testen. Sie wählen die optimierbaren Hyperparameter, eine Reihe von Werten für jeden Parameter und eine objektive Metrik aus. Sie wählen die objektive Metrik aus den Metriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatische Modelloptimierung mit KI SageMaker .
Vom Algorithmus berechnete Metriken BlazingText
Der BlazingText Word2Vec-Algorithmus (skipgram
cbow
, und batch_skipgram
Modi) berichtet während des Trainings über eine einzige Metrik:. train:mean_rho
Diese Metrik wird für WS-353 Word Similarity-Datasets
Der BlazingText Textklassifizierungsalgorithmus (supervised
Modus) berichtet während des Trainings auch über eine einzige Metrik: die. validation:accuracy
Verwenden Sie bei der Optimierung der Hyperparameterwerte für den Textklassifizierungsalgorithmus diese Metriken als Ziel.
Metrikname | Beschreibung | Optimierungsrichtung |
---|---|---|
train:mean_rho |
Der mittlere rho (Rangkorrelationskoeffizient von Spearman) in WS-353 Word Similarity-Datasets |
Maximieren |
validation:accuracy |
Die Klassifizierungsgenauigkeit im vom Benutzer angegebenen Validierungsdatensatz |
Maximieren |
Einstellbare Hyperparameter BlazingText
Optimierbare Hyperparameters für den Word2Vec-Algorithmus
Optimieren Sie ein Amazon SageMaker AI BlazingText Word2Vec-Modell mit den folgenden Hyperparametern. Die Hyperparameter, die den größten Einfluss auf die objektiven Word2Vec-Metriken haben, sind: mode
, learning_rate
, window_size
, vector_dim
und negative_samples
.
Name des Parameters | Parametertyp | Empfohlene Bereiche oder Werte |
---|---|---|
batch_size |
|
[8-32] |
epochs |
|
[5-15] |
learning_rate |
|
MinValue: 0,005,: 0,01 MaxValue |
min_count |
|
[0-100] |
mode |
|
[ |
negative_samples |
|
[5-25] |
sampling_threshold |
|
MinValue: 0,0001, MaxValue: 0,001 |
vector_dim |
|
[32-300] |
window_size |
|
[1-10] |
Optimierbare Hyperparameters für den Textklassifizierungsalgorithmus
Optimieren Sie ein Amazon SageMaker BlazingText AI-Textklassifizierungsmodell mit den folgenden Hyperparametern.
Name des Parameters | Parametertyp | Empfohlene Bereiche oder Werte |
---|---|---|
buckets |
|
[1000000-10000000] |
epochs |
|
[5-15] |
learning_rate |
|
MinValue: 0,005, MaxValue: 0,01 |
min_count |
|
[0-100] |
vector_dim |
|
[32-300] |
word_ngrams |
|
[1-3] |