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 distintas tareas que prueban una serie de hiperparámetros en los conjuntos de datos de validación y entrenamiento. El ajuste del modelo se centra en los siguientes hiperparámetros:
nota
La función objetivo de aprendizaje se asigna automáticamente en función del tipo de tarea de clasificación, que viene determinada por el número de enteros únicos de la columna de etiquetas. Para obtener más información, consulte Hiperparámetros de LightGBM.
-
Una función objetivo de aprendizaje que se debe optimizar durante el entrenamiento con modelos.
-
Una métrica de evaluación que se utiliza para evaluar el rendimiento del modelo durante la validación.
-
Un conjunto de hiperparámetros y un rango de valores para emplear al ajustar el modelo automáticamente.
El ajuste de modelo automático busca los hiperparámetros especificados con el objetivo de encontrar una combinación de valores que genere un modelo capaz de optimizar la métrica de evaluación seleccionada.
nota
El ajuste automático de modelos para LightGBM solo está disponible en Amazon SageMaker AI SDKs, no en la consola SageMaker AI.
Para obtener más información acerca del ajuste de modelos, consulte Ajuste automático de modelos con IA SageMaker .
Métricas de evaluación calculadas por el algoritmo LightGBM
El algoritmo LightGBM de SageMaker AI calcula las siguientes métricas para utilizarlas en la validación del modelo. La métrica de evaluación se asigna automáticamente en función del tipo de tarea de clasificación, que viene determinada por el número de enteros únicos en la columna de etiqueta.
| Nombre de métrica | Descripción | Dirección de optimización | Patrón de expresiones regulares |
|---|---|---|---|
rmse |
raíz del error cuadrático medio | minimizar | "rmse: ([0-9\\.]+)" |
l1 |
error absoluto medio | minimizar | "l1: ([0-9\\.]+)" |
l2 |
error cuadrático medio | minimizar | "l2: ([0-9\\.]+)" |
huber |
pérdida de Huber | minimizar | "huber: ([0-9\\.]+)" |
fair |
pérdida justa | minimizar | "fair: ([0-9\\.]+)" |
binary_logloss |
entropía cruzada binaria | maximizar | "binary_logloss: ([0-9\\.]+)" |
binary_error |
error binario | minimizar | "binary_error: ([0-9\\.]+)" |
auc |
AUC | maximizar | "auc: ([0-9\\.]+)" |
average_precision |
puntuación de precisión media | maximizar | "average_precision: ([0-9\\.]+)" |
multi_logloss |
entropía cruzada multiclase | maximizar | "multi_logloss: ([0-9\\.]+)" |
multi_error |
puntuación de error multiclase | minimizar | "multi_error: ([0-9\\.]+)" |
auc_mu |
AUC-mu | maximizar | "auc_mu: ([0-9\\.]+)" |
cross_entropy |
entropía cruzada | minimizar | "cross_entropy: ([0-9\\.]+)" |
Hiperparámetros de LightGBM ajustables
Ajuste el modelo LightGBM con los siguientes hiperparámetros. Los hiperparámetros que tienen el mayor efecto en la optimización de las métricas de evaluación de LightGBM son learning_rate, num_leaves, feature_fraction, bagging_fraction, bagging_freq, max_depth y min_data_in_leaf. Para obtener una lista de todos los hiperparámetros de LightGBM, consulte Hiperparámetros de LightGBM.
| Nombre del parámetro | Tipo de parámetro | Intervalos recomendados |
|---|---|---|
learning_rate |
ContinuousParameterRanges | MinValue: 0,001,: 0,01 MaxValue |
num_leaves |
IntegerParameterRanges | MinValue: 10, MaxValue 10 |
feature_fraction |
ContinuousParameterRanges | MinValue: 0,1, MaxValue 1,0 |
bagging_fraction |
ContinuousParameterRanges | MinValue: 0,1, MaxValue 1,0 |
bagging_freq |
IntegerParameterRanges | MinValue: 0, MaxValue: 10 |
max_depth |
IntegerParameterRanges | MinValue: 15, MaxValue 10 |
min_data_in_leaf |
IntegerParameterRanges | MinValue: 10, MaxValue 20 |
