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.
TabTransformer Hyperparameter
Die folgende Tabelle enthält die Teilmenge der Hyperparameter, die für den Amazon SageMaker AI-Algorithmus erforderlich sind oder am häufigsten verwendet werden. TabTransformer Dies sind Parameter, die von Benutzern festgelegt werden, um die Schätzung der Modellparameter aus Daten zu erleichtern. Der SageMaker TabTransformer AI-Algorithmus ist eine Implementierung des TabTransformer
Anmerkung
Die Standard-Hyperparameter basieren auf Beispieldatensätzen in der TabTransformer Beispiel für Notebooks.
Der SageMaker TabTransformer KI-Algorithmus wählt automatisch eine Bewertungsmetrik und eine Zielfunktion aus, die auf der Art des Klassifizierungsproblems basieren. Der TabTransformer Algorithmus erkennt die Art des Klassifizierungsproblems anhand der Anzahl der Beschriftungen in Ihren Daten. Bei Regressionsproblemen ist die Bewertungsmetrik das Quadrat r und die Zielfunktion der quadratische Mittelwert. Bei binären Klassifikationsproblemen entsprechen die Bewertungsmetrik und die Zielfunktion beide der binären Kreuzentropie. Bei Klassifikationsproblemen mit mehreren Klassen entsprechen die Bewertungsmetrik und die Zielfunktion beide einer Mehrklassen-Kreuzentropie.
Anmerkung
Die TabTransformer Bewertungsmetrik und die Zielfunktionen sind derzeit nicht als Hyperparameter verfügbar. Stattdessen erkennt der TabTransformer integrierte SageMaker KI-Algorithmus anhand der Anzahl der eindeutigen Ganzzahlen in der Labelspalte automatisch die Art der Klassifizierungsaufgabe (Regression, Binär oder Mehrklassensystem) und weist eine Bewertungsmetrik und eine Zielfunktion zu.
| Name des Parameters | Description |
|---|---|
n_epochs |
Anzahl der Epochen, in denen das tiefe neuronale Netzwerk trainiert werden soll. Gültige Werte: Ganzzahl, Bereich: Positive Ganzzahl. Standardwert: |
patience |
Das Training wird beendet, wenn sich eine Metrik eines Validierungsdatenpunkts in der letzten Gültige Werte: Ganzzahl, Bereich: ( Standardwert: |
learning_rate |
Die Geschwindigkeit, mit der die Modellgewichte aktualisiert werden, nachdem die einzelnen Trainingsbeispiele durchgearbeitet wurden. Gültige Werte: float, range: Positive float. Standardwert: |
batch_size |
Die Anzahl der Beispiele, die im Netzwerk verbreitet wurden. Gültige Werte: Ganzzahl, Bereich: ( Standardwert: |
input_dim |
Die Dimension der Einbettungen zur Kodierung der kategorialen fortlaufenden Spalten. and/or Gültige Werte: String, einer der folgenden Werte: Standardwert: |
n_blocks |
Die Anzahl der Transformer-Encoder-Blöcke. Gültige Werte: Ganzzahl, Bereich: ( Standardwert: |
attn_dropout |
Die Dropout-Rate, die auf die Aufmerksamkeitsebenen angewendet wird. Multi-Head Gültige Werte: Float, Bereich: ( Standardwert: |
mlp_dropout |
Die Dropout-Rate wird auf das FeedForward Netzwerk innerhalb der Encoder-Ebenen und der letzten MLP-Ebenen über den Transformer-Encodern angewendet. Gültige Werte: Float, Bereich: ( Standardwert: |
frac_shared_embed |
Der Anteil der Einbettungen, die sich alle verschiedenen Kategorien für eine bestimmte Spalte teilen. Gültige Werte: Float, Bereich: ( Standardwert: |
