Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Ajuste de un modelo de máquinas de factorización

Modo de enfoque
Ajuste de un modelo de máquinas de factorización - Amazon SageMaker AI

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

El ajuste de modelo automático, también conocido como ajuste de hiperparámetros, encuentra la mejor versión de un modelo ejecutando muchas tareas que probar una serie de hiperparámetros en su conjunto de datos. Usted elige los hiperparámetros que pueden ajustarse, un rango de valores para cada uno de ellos y una métrica objetiva. Puede elegir la métrica objetiva de las métricas que el algoritmo computa. El ajuste de modelo automático busca los hiperparámetros elegidos para encontrar la combinación de valores que obtienen el modelo que optimiza la métrica objetiva.

Para obtener más información acerca del ajuste de modelos, consulte Ajuste automático de modelos con IA SageMaker .

Métricas computadas por el algoritmo de máquinas de factorización

El algoritmo de máquinas de factorización tiene tipos de predictores de regresión y de clasificación binaria. El tipo de predictor determina qué tipo de métrica puede utilizar para el ajuste de un modelo automático. El algoritmo informa de una métrica de regresor test:rmse, que se calcula durante la capacitación. Al ajustar el modelo para las tareas de regresión, elija esta métrica como el objetivo.

Nombre de métrica Descripción Dirección de optimización
test:rmse

Error cuadrado medio raíz

Minimizar

El algoritmo de máquinas de factorización notifica tres métricas de clasificación binaria que se calculan durante el entrenamiento. Al ajustar el modelo para tareas de clasificación binaria, elija una de estas como el objetivo.

Nombre de métrica Descripción Dirección de optimización
test:binary_classification_accuracy

Exactitud

Maximizar

test:binary_classification_cross_entropy

Entropía cruzada

Minimizar

test:binary_f_beta

Beta

Maximizar

Hiperparámetros ajustables de máquinas de factorización

Es posible ajustar los siguientes hiperparámetros para el algoritmo de máquinas de factorización. Los parámetros de inicialización que contienen los términos sesgo, lineal y factorización dependen de su método de inicialización. Existen tres métodos de inicialización: uniform, normal y constant. No es posible ajustar estos métodos de inicialización. Los parámetros que se pueden ajustar dependen de esta opción del método de inicialización. Por ejemplo, si el método de inicialización es uniform, solo se pueden ajustar los parámetros correspondientes a scale. En concreto, si bias_init_method==uniform, entonces bias_init_scale, linear_init_scale y factors_init_scale se pueden ajustar. De manera parecida, si el método de inicialización es normal, solo se pueden ajustar los parámetros correspondientes a sigma. Si el método de inicialización es constant, solo se pueden ajustar los parámetros correspondientes a value. Estas dependencias se enumeran en la siguiente tabla.

Nombre del parámetro Tipo de parámetro Intervalos recomendados Dependencia
bias_init_scale

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==uniform

bias_init_sigma

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==normal

bias_init_value

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==constant

bias_lr

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

Ninguno

bias_wd

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

Ninguno

epoch

IntegerParameterRange

MinValue: 1, 1000 MaxValue

Ninguno

factors_init_scale

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==uniform

factors_init_sigma

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==normal

factors_init_value

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==constant

factors_lr

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

Ninguno

factors_wd

ContinuousParameterRange

MinValue: 1e-8, 512] MaxValue

Ninguno

linear_init_scale

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==uniform

linear_init_sigma

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==normal

linear_init_value

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

bias_init_method==constant

linear_lr

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

Ninguno

linear_wd

ContinuousParameterRange

MinValue: 1e-8, 512 MaxValue

Ninguno

mini_batch_size

IntegerParameterRange

MinValue: 100, 10000 MaxValue

Ninguno

En esta página

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.