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.
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.
Der Amazon SageMaker AI k-Means-Algorithmus ist ein unbeaufsichtigter Algorithmus, der Daten in Clustern gruppiert, deren Mitglieder sich so ähnlich wie möglich sind. Da er nicht überwacht ist, wird kein Validierungsdatensatz verwendet, anhand dessen Hyperparameter eine Optimierung vornehmen können. Es wird jedoch ein Testdatensatz verwendet und Metriken ausgegeben, die von der quadrierten Entfernung zwischen den Datenpunkten und den Schwerpunkten des endgültigen Clusters am Ende jedes Trainingslaufs abhängen. Um das Modell zu finden, das die stärksten Cluster im Testdatensatz meldet, können Sie einen Hyperparameter-Optimierungsauftrag verwenden. Die Cluster optimieren die Ähnlichkeit ihrer Mitglieder.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatische Modelloptimierung mit KI SageMaker .
Vom k-Means-Algorithmus berechnete Metriken
Der k-Means-Algorithmus berechnet die folgenden Metriken während des Trainings. Wählen Sie beim Optimieren eines Modells eine dieser Metriken als objektive Metrik aus.
| Metrikname | Beschreibung | Optimierungsrichtung |
|---|---|---|
test:msd |
Mittlere quadratische Entfernungen zwischen den einzelnen Datensätzen im Testdatensatz und dem nächsten Mittelpunkt des Modells. |
Minimieren |
test:ssd |
Summe der quadratischen Entfernungen zwischen den einzelnen Datensätzen im Testdatensatz und dem nächsten Mittelpunkt des Modells. |
Minimieren |
Optimierbare k-Means-Hyperparameter
Optimieren Sie das Amazon SageMaker AI K-Means-Modell mit den folgenden Hyperparametern. Die Hyperparameter, die den größten Einfluss auf objektive k-Means-Metriken haben, sind: mini_batch_size, extra_center_factor und init_method. Optimieren des Hyperparameters epochs führt in der Regel zu kleineren Verbesserungen.
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
epochs |
IntegerParameterRanges |
MinValue: 1, :10 MaxValue |
extra_center_factor |
IntegerParameterRanges |
MinValue: 4, :10 MaxValue |
init_method |
CategoricalParameterRanges |
['kmeans++', 'random'] |
mini_batch_size |
IntegerParameterRanges |
MinValue: 3000, :15000 MaxValue |
