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.
Abstimmen eines linearen Learner-Modells
Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Dataset 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 Algorithmus für lineares Lernen verfügt außerdem über einen internen Mechanismus für Optimierungshyperparameter, der von der hier beschriebenen automatischen Funktion zur Modelloptimierung getrennt ist. Standardmäßig optimiert der Algorithmus für lineares Lernen Hyperparameter durch paralleles Schulen mehrerer Modelle. Wenn Sie die automatische Modelloptimierung verwenden, die wird der interne Optimierungsmechanismus für lineares Lernen automatisch ausgeschaltet. Dadurch wird die Anzahl der parallelen Modelle, num_models, auf 1 festgelegt. Der Algorithmus ignoriert jeden Wert, den Sie für num_models festgelegt haben.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatische Modelloptimierung mit SageMaker.
Mit dem linearen Learner-Algorithmus berechnete Metriken
Der Algorithmus für lineares Lernen meldet die Metriken in der folgenden Tabelle (berechnet während der Schulung). Wählen Sie eine dieser Metriken als objektive Metrik aus. Um Überanpassung zu vermeiden, empfehlen wir, das Modell anhand einer Validierungs- anstelle einer Schulungsmetrik zu optimieren.
| Metrikname | Beschreibung | Optimierungsrichtung |
|---|---|---|
test:absolute_loss |
Der absolute Verlust des endgültigen Modells auf dem Testdatensatz. Diese objektive Metrik gilt nur für die Regression. |
Minimieren |
test:binary_classification_accuracy |
Die Genauigkeit des endgültigen Modells im Testdataset. Diese objektive Metrik ist nur für die binäre Klassifizierung gültig. |
Maximieren |
test:binary_f_beta |
Der F-Betawert des endgültigen Modells für den Testdatensatz. Standardmäßig handelt es sich um die F1-Bewertung. Dies ist das harmonische Mittel von Genauigkeit und Wiedererkennung. Diese objektive Metrik ist nur für die binäre Klassifizierung gültig. |
Maximieren |
test:dcg |
Der abgezinste kumulative Gewinn des endgültigen Modells aus dem Testdatensatz. Diese objektive Metrik ist nur für die Klassifizierung in mehreren Klassen gültig. |
Maximieren |
test:macro_f_beta |
Der F-Betawert des endgültigen Modells für den Testdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
test:macro_precision |
Die Genauigkeit des endgültigen Modells für den Testdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
test:macro_recall |
Der Recall-Wert des endgültigen Modells für den Testdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
test:mse |
Der mittlere quadratische Fehler des endgültigen Modells für den Testdatensatz. Diese objektive Metrik gilt nur für die Regression. |
Minimieren |
test:multiclass_accuracy |
Die Genauigkeit des endgültigen Modells im Testdataset. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
test:multiclass_top_k_accuracy |
Die Genauigkeit unter den obersten k Labels, die im Testdatensatz vorhergesagt wurde. Wenn Sie diese Metrik als Ziel wählen, empfehlen wir, den Wert von k mithilfe des |
Maximieren |
test:objective_loss |
Der Mittelwert der objektiven Verlustfunktion im Testdataset, nachdem das Modell geschult wurde. Standardmäßig ist der Verlust ein logistischer Verlust für die binäre Klassifizierung und ein quadratischer Verlust für die Regression. Um den Verlust auf andere Typen festzulegen, verwenden Sie den |
Minimieren |
test:precision |
Die Präzision des endgültigen Modells im Testdataset. Wenn Sie diese Metrik als objektive Metrik auswählen, empfehlen wir Ihnen, einen Ziel-Recall festzulegen, indem Sie die |
Maximieren |
test:recall |
Der Recall des endgültigen Modells im Testdataset. Wenn Sie diese Metrik als Ziel auswählen, empfehlen wir Ihnen, eine Zielpräzision festzulegen, indem Sie die Hyperparameter |
Maximieren |
test:roc_auc_score |
Die Fläche unter der Empfangskennlinie (ROC-Kurve) des endgültigen Modells auf dem Testdatensatz. Diese objektive Metrik ist nur für die binäre Klassifizierung gültig. |
Maximieren |
validation:absolute_loss |
Der absolute Verlust des endgültigen Modells auf dem Validierungsdatensatz. Diese objektive Metrik gilt nur für die Regression. |
Minimieren |
validation:binary_classification_accuracy |
Die Genauigkeit des endgültigen Modells im Validierungsdataset. Diese objektive Metrik ist nur für die binäre Klassifizierung gültig. |
Maximieren |
validation:binary_f_beta |
Der F-Betawert des endgültigen Modells für den Validierungsdatensatz. Standardmäßig ist der F-Beta-Score der F1-Score, der das harmonische Mittel der |
Maximieren |
validation:dcg |
Der abgezinste kumulative Gewinn des endgültigen Modells aus dem Validierungsdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
validation:macro_f_beta |
Der F-Betawert des endgültigen Modells für den Validierungsdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
validation:macro_precision |
Die Genauigkeit des endgültigen Modells für den Validierungsdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
validation:macro_recall |
Der Recall-Wert des endgültigen Modells für den Validierungsdatensatz. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
validation:mse |
Der mittlere quadratische Fehler des endgültigen Modells für den Validierungsdatensatz. Diese objektive Metrik gilt nur für die Regression. |
Minimieren |
validation:multiclass_accuracy |
Die Genauigkeit des endgültigen Modells im Validierungsdataset. Diese objektive Metrik ist nur für die Klassifizierung mehrerer Klassen gültig. |
Maximieren |
validation:multiclass_top_k_accuracy |
Die Genauigkeit unter den obersten k Labels, die im Validierungsdatensatz vorhergesagt wurde. Wenn Sie diese Metrik als Ziel wählen, empfehlen wir, den Wert von k mithilfe des |
Maximieren |
validation:objective_loss |
Der Mittelwert der objektiven Verlustfunktion im Validierungsdataset jeder Epoche. Standardmäßig ist der Verlust ein logistischer Verlust für die binäre Klassifizierung und ein quadratischer Verlust für die Regression. Um den Verlust auf andere Typen festzulegen, verwenden Sie den |
Minimieren |
validation:precision |
Die Genauigkeit des endgültigen Modells im Validierungsdataset. Wenn Sie diese Metrik als objektive Metrik auswählen, empfehlen wir Ihnen, einen Ziel-Recall festzulegen, indem Sie die |
Maximieren |
validation:recall |
Die Sensitivität des endgültigen Modells im Validierungsdataset. Wenn Sie diese Metrik als Ziel auswählen, empfehlen wir Ihnen, eine Zielpräzision festzulegen, indem Sie die Hyperparameter |
Maximieren |
validation:rmse |
Der mittlere quadratische Fehler des endgültigen Modells für den Validierungsdatensatz. Diese objektive Metrik gilt nur für die Regression. |
Minimieren |
validation:roc_auc_score |
Die Fläche unter der Empfangscharakteristikkurve (ROC-Kurve) des endgültigen Modells auf dem Validierungsdatensatz. Diese objektive Metrik ist nur für die binäre Klassifizierung gültig. |
Maximieren |
Abstimmung von Hyperparametern für lineare Learner
Sie können ein Modell für lineares Lernen mit den folgenden Hyperparametern optimieren.
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
wd |
|
|
l1 |
|
|
learning_rate |
|
|
mini_batch_size |
|
|
use_bias |
|
|
positive_example_weight_mult |
|
|
