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 Training und in den Validierungsdatensätzen testen. Sie wählen drei Arten von Hyperparametern:
-
eine
objectiveLernfunktion zur Optimierung beim Modelltraining -
einen
eval_metric, der während der Validierung zur Bewertung der Modellleistung verwendet werden kann -
ein Satz von Hyperparametern und ein Wertebereich für jeden, der bei der automatischen Abstimmung des Modells verwendet werden kann
Sie wählen die Bewertungsmetrik aus einer Reihe von Bewertungsmetriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die Bewertungsmetrik optimiert.
Anmerkung
Automatisches Modell-Tuning für XGBoost 0,90 ist nur bei Amazon verfügbar SageMaker SDKs, nicht über die SageMaker KI-Konsole.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatische Modelloptimierung mit KI SageMaker .
Vom Algorithmus berechnete Bewertungsmetriken XGBoost
Der XGBoost Algorithmus berechnet die folgenden Metriken, die für die Modellvalidierung verwendet werden sollen. Beim Optimieren des Modells wählen Sie eine dieser Metriken aus, um das Modell zu evaluieren. Eine vollständige Liste der gültigen eval_metric Werte finden Sie unter Parameter für XGBoost Lernaufgaben
| Metrikname | Beschreibung | Optimierungsrichtung |
|---|---|---|
validation:accuracy |
Klassifizierungsrate, berechnet als #(richtig)/#(alle Fälle). |
Maximieren |
validation:auc |
Area Under a Curve (Fläche unter der Kurve). |
Maximieren |
validation:error |
Binäre Klassifikationsfehlerrate, als Anzahl (falscher Fälle)/Anzahl (aller Fälle) berechnet. |
Minimieren |
validation:f1 |
Indikator für die Klassifizierungsgenauigkeit, berechnet als harmonisches Mittel von Präzision und Wiedererkennung. |
Maximieren |
validation:logloss |
Negative log-likelihood. |
Minimieren |
validation:mae |
Mittlerer absoluter Fehler. |
Minimieren |
validation:map |
Mittlere durchschnittliche Präzision. |
Maximieren |
validation:merror |
Mehrklassen-Klassifizierungsfehlerrate, als Anzahl (falscher Fälle)/Anzahl (aller Fälle) berechnet. |
Minimieren |
validation:mlogloss |
Negative log-likelihood für Mehrklassen-Klassifizierung. |
Minimieren |
validation:mse |
Mittlerer quadratischer Fehler. |
Minimieren |
validation:ndcg |
Normalisierter reduzierter kumulativer Gewinn. |
Maximieren |
validation:rmse |
Wurzel des mittleren quadratischen Prognosefehlers (Root Mean Square Error) |
Minimieren |
Einstellbare Hyperparameter XGBoost
Optimieren Sie das XGBoost Modell mit den folgenden Hyperparametern. Die Hyperparameter, die den größten Einfluss auf die Optimierung der XGBoost Bewertungsmetriken haben, sind:alpha,min_child_weight, subsampleeta, und. num_round
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
alpha |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 100 |
colsample_bylevel |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue: 1 |
colsample_bynode |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue: 1 |
colsample_bytree |
ContinuousParameterRanges |
MinValue: 0,5, MaxValue: 1 |
eta |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue: 0,5 |
gamma |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 5 |
lambda |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 100 |
max_delta_step |
IntegerParameterRanges |
[0, 10] |
max_depth |
IntegerParameterRanges |
[0, 10] |
min_child_weight |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 120 |
num_round |
IntegerParameterRanges |
[1, 4000] |
subsample |
ContinuousParameterRanges |
MinValue: 0,5, MaxValue: 1 |
