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.
Hiperparámetros de k-means
En la solicitud CreateTrainingJob, especifique el algoritmo de capacitación que desee utilizar. También puede especificar hiperparámetros específicos del algoritmo en forma de mapas. string-to-string En la siguiente tabla se enumeran los hiperparámetros del algoritmo de entrenamiento k-means proporcionado por Amazon. SageMaker Para obtener más información sobre cómo funciona la agrupación en clústeres de k-means, consulte Funcionamiento de la agrupación en clústeres de k-means.
| Nombre del parámetro | Descripción |
|---|---|
feature_dim |
El número de características en los datos de entrada. Obligatorio Valores válidos: número entero positivo |
k |
El número de clústeres necesarios. Obligatorio Valores válidos: número entero positivo |
epochs |
Número de pasadas realizadas sobre los datos de capacitación. Opcional Valores válidos: número entero positivo Valor predeterminado: 1 |
eval_metrics |
Una lista JSON de tipos de métrica usados para registrar una puntuación para el modelo. Los valores permitidos son Opcional Valores válidos: Valor predeterminado: |
extra_center_factor |
El algoritmo crea K centros = Opcional Valores válidos: Un número entero positivo o Valor predeterminado: |
half_life_time_size |
Se utiliza para determinar el peso atribuido a una observación cuando se calcula una media de clúster. Esta ponderación se reduce exponencialmente a medida se observan más puntos. Cuando un punto es observado por primera vez, se le asigna un peso de 1 al calcular la media del clúster. El deterioro constante de la función de degradación exponencial constante se elige de modo que después de observar Opcional Valores válidos: número entero no negativo Valor predeterminado: 0 |
init_method |
El método mediante el que el algoritmo elige los centros de clúster iniciales. El procedimiento k-means estándar los elige de forma aleatoria. Un método alternativo k-means++ elige el primer centro de clúster de forma aleatoria. A continuación, extiende la posición del resto de clústeres iniciales mediante la ponderación de la selección de centros con una distribución de probabilidad que es proporcional al cuadrado de la distancia de los demás puntos de datos de centros existentes. Opcional Valores válidos: Valor predeterminado: |
local_lloyd_init_method |
El método de inicialización para el procedimiento de optimización de expectativa (EM) de Lloyd empleado para crear los centros Opcional Valores válidos: Valor predeterminado: |
local_lloyd_max_iter |
El número máximo de iteraciones para el procedimiento de optimización de expectativa (EM) de Lloyd empleado para crear los centros Opcional Valores válidos: número entero positivo Valor predeterminado: 300 |
local_lloyd_num_trials |
El número de veces que el procedimiento de optimización de expectativa (EM) de Lloyd con la menor pérdida se ejecuta a la hora de crear los centros que contienen el modelo final Opcional Valores válidos: Un número entero positivo o Valor predeterminado: |
local_lloyd_tol |
La tolerancia para cambio en pérdida para una detención anticipada del procedimiento de optimización de expectativa (EM) de Lloyd empleado para crear los centros Opcional Valores válidos: número flotante. Rango en [0, 1]. Valor predeterminado: 0.0001 |
mini_batch_size |
El número de observaciones por minilote para el iterador de datos. Opcional Valores válidos: número entero positivo Valor predeterminado: 5000 |
