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.
Hyperparameter für den linearen Lerner
Die folgende Tabelle enthält die Hyperparameter für den Algorithmus für das lineare Lernen. Dies sind Parameter, die von Benutzern festgelegt werden, um die Schätzung der Modellparameter aus Daten zu erleichtern. Die obligatorischen Hyperparameter, die festgelegt werden müssen, sind zuerst aufgelistet (in alphabetischer Reihenfolge). Die optionalen Hyperparameter, die festgelegt werden können, sind als Nächstes aufgeführt (ebenfalls in alphabetischer Reihenfolge). Wenn ein Hyperparameter auf festgelegt istauto
, berechnet Amazon SageMaker automatisch den Wert dieses Hyperparameters und legt ihn fest.
Name des Parameters | Beschreibung |
---|---|
num_classes |
Die Anzahl der Klassen für die Antwortvariable. Der Algorithmus geht davon aus, dass Klassen mit Erforderlich, wenn Gültige Werte: Ganzzahlen zwischen 3 und 1 000 000 |
predictor_type |
Gibt den Typ der Zielvariable als binäre Klassifizierung, Mehrklassen-Klassifizierung oder Regression an. Erforderlich Gültige Werte: |
accuracy_top_k |
Bei der Berechnung der Top-K-Genauigkeitsmetrik für die Mehrklassen-Klassifizierung der Wert von k. Wenn das Modell der tatsächlichen Bezeichnung eines der Top-K-Punktzahlen zuweist, wird ein Beispiel als korrekt bewertet. Optional Gültige Werte: positive Ganzzahlen Standardwert: 3 |
balance_multiclass_weights |
Gibt an, ob die Klassengewichtungen verwendet werden sollen, wodurch jede Klasse in der Verlustfunktion gleiches Gewicht erhält. Wird nur verwendet, wenn Optional Zulässige Werte: Standardwert: |
beta_1 |
Die exponentielle Zerfallsrate für Schätzwerte im ersten Schritt. Nur anwendbar, wenn der Wert von Optional Gültige Werte: Standardwert: |
beta_2 |
Die exponentielle Zerfallsrate für Schätzwerte im zweiten Schritt. Nur anwendbar, wenn der Wert von Optional Gültige Werte: Standardwert: |
bias_lr_mult |
Ermöglicht eine andere Lernrate für die Verzerrungsbedingung. Die tatsächliche Lernrate für die Verzerrung ist Optional Gültige Werte: Standardwert: |
bias_wd_mult |
Ermöglicht andere Regularisierung für die Verzerrungsbedingung. Die tatsächliche L2-Regularisierungsgewichtung für die Verzerrung ist Optional Gültige Werte: Standardwert: |
binary_classifier_model_selection_criteria |
Wenn
Optional Gültige Werte: Standardwert: |
early_stopping_patience |
Die Anzahl der abzuwartenden Epochen, bevor die Schulung endet, wenn keine Verbesserung in der entsprechenden Metrik erzielt wird. Wenn Sie einen Wert für binary_classifier_model_selection_criteria angegeben haben, entspricht die Metrik diesem Wert. Andernfalls entspricht die Metrik dem für den loss -Hyperparameter angegebenen Wert. Die Metrik wird für die Validierungsdaten ausgewertet. Wenn Sie keine Validierungsdaten angegeben haben, entspricht die Metrik immer dem für den Optional Gültige Werte: Positive Ganzzahl Standardwert: 3 |
early_stopping_tolerance |
Die relative Toleranz zur Messung von Verlustverbesserungen. Wenn das Verhältnis der Verlustverbesserung dividiert durch den vorherigen besten Verlust kleiner als dieser Wert ist, betrachtet der Prozess zum frühzeitigen Beenden die Verbesserung als null. Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.001 |
epochs |
Die maximale Anzahl von Durchläufen der Trainingsdaten. Optional Gültige Werte: Positive Ganzzahl Standardwert: 15 |
f_beta |
Der Wert von Beta zur Berechnung von F-Bewertungsmetriken für binäre oder Mehrklassen-Klassifizierung. Dieser wird auch verwendet, wenn der für Optional Gültige Werte: positive Gleitkomma-Ganzzahlen Standardwert: 1.0 |
feature_dim |
Die Anzahl der Merkmale der Eingabedaten. Optional Gültige Werte: Standardwerte: |
huber_delta |
Der Parameter für Huber-Verlust. Während der Schulungs- und der Metrikevaluation wird mit einem L2-Verlust für Fehler gerechnet, die kleiner sind als Delta und einem L1-Verlust für Fehler, die größer als Delta sind. Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 1.0 |
init_bias |
Initiale Gewichtung für die Verzerrungsbedingung. Optional Gültige Werte: Gleitkomma-Ganzzahl Standardwert: 0 |
init_method |
Legt die anfängliche Verteilungsfunktion für Modellgewichtungen fest. Zu den Funktionen gehören:
Optional Gültige Werte: Standardwert: |
init_scale |
Skaliert eine erste einheitliche Verteilung für Modellgewichtungen. Gilt nur, wenn der Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.07 |
init_sigma |
Die anfängliche Standardabweichung für die Normalverteilung. Gilt nur, wenn der Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.01 |
l1 |
Der L1-Regularisierungsparameter. Wenn Sie die L1-Regularisation nicht verwenden möchten, legen Sie diesen Wert auf 0 fest. Optional Gültige Werte: Standardwert: |
learning_rate |
Die Schrittgröße, die der Optimierer für Parameteraktualisierungen verwendet. Optional Gültige Werte: Standardwert: |
loss |
Gibt die Verlustfunktion an. Die verfügbaren Verlustfunktionen und deren Standardwerte hängen von dem Wert von
Gültige Werte: Optional Standardwert: |
loss_insensitivity |
Der Parameter für den Epsilon-unempfindlichen Verlusttyp. Während der Schulungs- und der Metrikevaluation werden Fehler, die kleiner als dieser Wert sind, als null betrachtet. Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.01 |
lr_scheduler_factor |
Bei jedem Optional Gültige Werte: Standardwert: |
lr_scheduler_minimum_lr |
Die Lernrate sinkt niemals auf einen Wert kleiner als der für Optional Gültige Werte: Standardwerte: |
lr_scheduler_step |
Die Anzahl der Schritte zwischen der Verringerung der Lernrate. Gilt nur, wenn der Optional Gültige Werte: Standardwert: |
margin |
Der Rand für die Optional Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 1.0 |
mini_batch_size |
Die Anzahl der Beobachtungen pro Mini-Stapel für den Dateniterator. Optional Gültige Werte: Positive Ganzzahl Standardwert: 1000 |
momentum |
Die Dynamik des Optional Gültige Werte: Standardwert: |
normalize_data |
Normalisiert die Merkmalsdaten vor der Schulung. Die Datennormalisierung verschiebt die Daten für jedes Merkmal auf einen Mittelwert von 0 und skaliert so, dass sich eine einheitliche Standardabweichung ergibt. Optional Gültige Werte: Standardwert: |
normalize_label |
Normalisiert die Kennzeichnung. Durch die Normalisierung wird die Bezeichnung auf einen Mittelwert von 0 verschoben und skaliert, um eine einheitliche Standardabweichung zu erreichen. Der Standardwert Optional Gültige Werte: Standardwert: |
num_calibration_samples |
Die Anzahl der aus dem Validierungsdataset für die Modellkalibrierung zu verwendenden Beobachtungen (beim Suchen des besten Schwellenwerts). Optional Gültige Werte: Standardwert: |
num_models |
Die Anzahl der parallel zu schulenden Modelle. Beim Standardwert Optional Gültige Werte: Standardwerte: |
num_point_for_scaler |
Die Anzahl der Datenpunkte, die zur Berechnung der Normalisierung oder Entzerrung der Bedingungen verwendet werden. Optional Gültige Werte: Positive Ganzzahl Standardwert: 10,000 |
optimizer |
Der Optimierungsalgorithmus, der verwendet werden soll. Optional Zulässige Werte:
Standardwert: |
positive_example_weight_mult |
Die Gewichtung, die positiven Beispielen bei der Schulung mit binärer Klassifizierung zugewiesen wird. Das Gewichtung von negativen Beispielen ist auf 1 festgelegt. Wenn der Algorithmus eine Gewichtung auswählen soll, mit der Fehler bei der Klassifizierung positiver und negativer Beispiele den gleichen Einfluss auf den Schulungsverlust haben, geben Sie Optional Gültige Werte: Standardwert: 1.0 |
quantile |
Das Quantil für Quantilverlust. Das Modell versucht für das Quantil q Prognosen zu erstellen, sodass der Wert von Optional Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1 Standardwert: 0.5 |
target_precision |
Die Zielpräzision. Wenn Optional Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1.0 Standardwert: 0.8 |
target_recall |
Der Ziel-Recall. Wenn Optional Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1.0 Standardwert: 0.8 |
unbias_data |
Entfernt Verzerrungen der Merkmale vor der Schulung, sodass der Mittelwert 0 ist. Standardmäßig sind die Daten unverzerrt, wenn der Optional Gültige Werte: Standardwert: |
unbias_label |
Entfernt Verzerrungen der Kennzeichnungen vor der Schulung, sodass der Mittelwert 0 ist. Gilt nur bei Regression, wenn der Optional Gültige Werte: Standardwert: |
use_bias |
Gibt an, ob das Modell eine Verzerrungsbedingung enthalten soll. Dabei handelt es sich um die Intercept-Bedingung in der linearen Gleichung. Optional Gültige Werte: Standardwert: |
use_lr_scheduler |
Gibt an, ob ein Scheduler für die Lernrate verwendet werden soll. Wenn Sie einen Scheduler verwenden möchten, geben Sie Optional Gültige Werte: Standardwert: |
wd |
Der Weight-Decay-Parameter, auch bekannt als L2-Regularisationsparameter. Wenn Sie die L2-Regularisation nicht verwenden möchten, legen Sie diesen Wert auf 0 fest. Optional Gültige Werte: Standardwert: |