Optimieren eines DeepAR-Modells - Amazon SageMaker

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 eines DeepAR-Modells

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 SageMaker.

Vom DeepAR-Algorithmus berechnete Metriken

Der DeepAR-Algorithmus meldet drei Metriken, die während des Trainings berechnet werden. Wenn Sie ein Modell optimieren, wählen Sie eine dieser Metriken als objektive Metrik aus. Verwenden Sie für die objektive Metrik entweder die Prognosegenauigkeit in einem bereitgestellten Testkanal (empfohlen) oder den Verlust des Trainings. Empfehlungen für das Trainings-/Testaufteilung für den DeepAR-Algorithmus finden Sie unter Bewährte Methoden zur Nutzung des DeepAR-Algorithmus.

Metrikname Beschreibung Optimierungsrichtung
test:RMSE

Die Wurzel des mittleren quadratischen Prognosefehlers (Root Mean Square Error, RMSE) zwischen der Prognose und dem tatsächlichen Ziel, die für den Testdatensatz berechnet wurde.

Minimieren

test:mean_wQuantileLoss

Die für den Testdatensatz berechneten durchschnittlichen gesamten Quantilenverluste. Um zu steuern, welche Quantilen verwendet werden, legen Sie den test_quantiles-Hyperparameter fest.

Minimieren

train:final_loss

Der negative Log-Likelihood-Verlust des Trainings, der über die letzte Trainingsepoche für das Modell gemittelt wurde.

Minimieren

Optimierbare Hyperparameter für den DeepAR-Algorithmus

Optimieren Sie ein DeepAR-Modell mit den folgenden Hyperparametern. Die Hyperparameter mit den größten Auswirkungen für die objektiven DeepAR-Metriken lauten in absteigender Reihenfolge wie folgt: epochs, context_length, mini_batch_size, learning_rate und num_cells.

Name des Parameters Parametertyp Empfohlene Bereiche
epochs

IntegerParameterRanges

MinValue: 1,: 100 MaxValue

context_length

IntegerParameterRanges

MinValue: 1, MaxValue: 20

mini_batch_size

IntegerParameterRanges

MinValue: 32, MaxValue: 1028

learning_rate

ContinuousParameterRange

MinValue: 1e-5,: 1e-1 MaxValue

num_cells

IntegerParameterRanges

MinValue: 30,: 20 MaxValue

num_layers

IntegerParameterRanges

MinValue: 1, MaxValue: 8

dropout_rate

ContinuousParameterRange

MinValue: 0,00, MaxValue: 0,2

embedding_dimension

IntegerParameterRanges

MinValue: 1, MaxValue: 50