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 Hyperparameter-Optimierung, sucht die beste Version eines Modells durch die Ausführung zahlreicher Aufgaben, 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 RCF-Algorithmus ist ein unbeaufsichtigter Algorithmus zur Erkennung von Anomalien, der einen markierten Testdatensatz für die Hyperparameteroptimierung benötigt. RCF berechnet Anomaliebewertungen für Testdatenpunkte und kennzeichnet die Datenpunkte anschließend als anormal, wenn ihre Bewertungen drei Standardabweichungen vom Mittelwert überschreiten. Dies wird als 3-Sigma-Limit-Heuristik bezeichnet. Die F1-Bewertung basiert auf der Differenz zwischen berechneten und tatsächlichen Kennzeichnungen. Der Auftrag zur Hyperparameteroptimierung sucht das Modell, das die Bewertung maximiert. Der Erfolg der Hyperparameteroptimierung hängt von der Anwendbarkeit der 3-Sigma-Limit-Heuristik auf den Testdatensatz ab.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatische Modelloptimierung mit KI SageMaker .
Vom RCF-Algorithmus berechnete Metriken
Der RCF-Algorithmus berechnet die folgende Metrik während des Trainings. Wählen Sie diese Metrik beim Optimieren des Modells als objektive Metrik aus.
| Metrikname | Beschreibung | Optimierungsrichtung |
|---|---|---|
test:f1 |
Die F1-Bewertung für den Testdatensatz, basierend auf der Differenz zwischen berechneten und tatsächlichen Kennzeichnungen. |
Maximieren |
Optimierbare RCF-Hyperparameter
Sie können ein RCF-Modell mit den folgenden Hyperparametern optimieren.
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
num_samples_per_tree |
IntegerParameterRanges |
MinValue: 1, :2048 MaxValue |
num_trees |
IntegerParameterRanges |
MinValue: 50,: 1000 MaxValue |
