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.
k-Means-Hyperparameter
In der CreateTrainingJob-Anforderung geben Sie den Trainingsalgorithmus an, den Sie verwenden möchten. Sie können auch algorithmusspezifische Hyperparameter als Maps angeben. string-to-string In der folgenden Tabelle sind die Hyperparameter für den von Amazon bereitgestellten K-Means-TrainingsalGORITHmus aufgeführt. SageMaker Weitere Informationen zur Funktionsweise von k-Means-Clustering finden Sie unter So funktioniert das Clustering mit k-Means-Algorithmen.
| Name des Parameters | Beschreibung |
|---|---|
feature_dim |
Die Anzahl der Merkmale der Eingabedaten. Erforderlich Gültige Werte: Positive Ganzzahl |
k |
Die Anzahl der erforderlichen Cluster. Erforderlich Gültige Werte: Positive Ganzzahl |
epochs |
Die Anzahl der mit den Trainingsdaten durchgeführten Durchläufe. Optional Gültige Werte: Positive Ganzzahl Standardwert: 1 |
eval_metrics |
Eine JSON-Liste der Metriktypen, die zum Melden einer Punktzahl für das Modell verwendet werden. Zulässige Werte sind Optional Gültige Werte: entweder Standardwert: |
extra_center_factor |
Der Algorithmus erstellt K Zentren = Optional Gültige Werte: entweder eine positive Ganzzahl oder Standardwert: |
half_life_time_size |
Wird verwendet, um die Gewichtung zu bestimmen, die einer Beobachtung beim Berechnen eines Clustermittelwerts zugeteilt wird. Die Gewichtung zerfällt exponentiell, sobald mehrere Punkte beobachtet werden. Bei der ersten Beobachtung eines Punkts wird ihm eine Gewichtung von 1 bei der Berechnung des Clustermittelwerts zugeteilt. Die Zerfallkonstante für die exponentielle Funktion wird ausgewählt, sodass die Gewichtung nach Beobachtung von Optional Gültige Werte: Positive Ganzzahl Standardwert: 0 |
init_method |
Die Methode, mit der der Algorithmus die anfänglichen Clusterzentren auswählt. Der k-Means-Standardansatz wählt sie nach dem Zufallsprinzip aus. Eine alternative k-Means++-Methode wählt das erste Clusterzentrum nach dem Zufallsprinzip aus. Anschließend wird eine bessere Verteilung der Position des verbleibenden anfänglichen Cluster erzielt, indem die Auswahl von Zentren mit einer Wahrscheinlichkeitsverteilung gewichtet wird, die proportional zum Quadrat der Entfernung der verbleibenden Datenpunkte aus vorhandenen Zentren ist. Optional Gültige Werte: Entweder Standardwert: |
local_lloyd_init_method |
Die Initialisierungsmethode für das Expectation Maximization (EM)-Verfahren nach Lloyd, die zum Erstellen des endgültigen Modells mit Optional Gültige Werte: Entweder Standardwert: |
local_lloyd_max_iter |
Die maximale Anzahl der Iterationen für das Expectation Maximization (EM)-Verfahren nach Lloyd, die zum Erstellen des endgültigen Modells mit Optional Gültige Werte: Positive Ganzzahl Standardwert: 300 |
local_lloyd_num_trials |
Gibt an, wie oft das Expectation Maximization (EM)-Verfahren nach Lloyd mit dem geringsten Verlust ausgeführt wird beim Erstellen des endgültigen Modells mit Optional Gültige Werte: entweder eine positive Ganzzahl oder Standardwert: |
local_lloyd_tol |
Die Toleranz für die Änderung in Verlust zum frühzeitigen Beenden des Expectation Maximization (EM)-Verfahrens nach Lloyd, das zum Erstellen des endgültigen Modells mit Optional Gültige Werte: Gleitkommazahl. Bereich [0, 1]. Standardwert: 0.0001 |
mini_batch_size |
Die Anzahl der Beobachtungen pro Mini-Stapel für den Dateniterator. Optional Gültige Werte: Positive Ganzzahl Standardwert: 5000 |
