Hiperparámetros de aprendizaje lineal

La siguiente tabla contiene los hiperparámetros del algoritmo de aprendizaje lineal. Estos son los parámetros que establecen los usuarios para facilitar la estimación de los parámetros del modelo a partir de los datos. Los hiperparámetros necesarios que deben establecerse se enumerarán en primer lugar, en orden alfabético. Los hiperparámetros opcionales que se pueden establecer aparecen a continuación en la lista, también en orden alfabético. Cuando un hiperparámetro se establece enauto, Amazon SageMaker calculará y establecerá automáticamente el valor de ese hiperparámetro.

Nombre del parámetro	Descripción
`num_classes`	El número de clases para la respuesta variable. El algoritmo presupone que las clases se etiquetan `0`, ..., `num_classes - 1`. Obligatorio cuando `predictor_type` es `multiclass_classifier`. De lo contrario, el algoritmo hace caso omiso de él. Valores válidos: Enteros comprendidos entre 3 y 1 000 000.
`predictor_type`	Especifica el tipo de variable de destino como una clasificación binaria, clasificación de varias clases, o regresión. Obligatorio Valores válidos: `binary_classifier`, `multiclass_classifier` o `regressor`
`accuracy_top_k`	A la hora de calcular la métrica de precisión de top-k para la clasificación de varias clases, el valor de k. Si el modelo asigna una de las puntuaciones top-k a la verdadera etiqueta, el ejemplo será puntuado como correcto. Opcional Valores válidos: enteros positivos Valor predeterminado: 3
`balance_multiclass_weights`	Especifica si se debe usar ponderaciones de clase, que proporcionan a cada clase igual importancia en la función de pérdida. Solo se usa cuando el `predictor_type` es `multiclass_classifier`. Opcional Valores válidos: `true`, `false` Valor predeterminado: `false`
`beta_1`	Tasa de decremento exponencial para las estimaciones del primer momento. Se aplica solo cuando el valor de `optimizer` es `adam`. Opcional Valores válidos: `auto` o de valor de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto`
`beta_2`	Tasa de decremento exponencial para las estimaciones de segundo momento. Se aplica solo cuando el valor de `optimizer` es `adam`. Opcional Valores válidos: `auto` o entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto`
`bias_lr_mult`	Permite una tasa de aprendizaje diferente para el plazo de sesgo. La tasa de aprendizaje real para el sesgo es `learning_rate` * `bias_lr_mult`. Opcional Valores válidos: `auto` o entero positivo de punto flotante Valor predeterminado: `auto`
`bias_wd_mult`	Permite una regularización diferente para el plazo de sesgo. La ponderación de regularización de L2 real para el sesgo es `wd` * `bias_wd_mult`. De forma predeterminada, no hay ninguna regularización en el plazo de sesgo. Opcional Valores válidos: `auto` o entero no negativo de punto flotante Valor predeterminado: `auto`
`binary_classifier_model_selection_criteria`	Cuando `predictor_type` se establece en `binary_classifier`, los criterios de evaluación del modelo para el conjunto de datos de validación (o para el conjunto de datos de capacitación si no proporciona un conjunto de datos de validación). Los criterios incluyen: `accuracy`: el modelo con la mayor precisión. `f_beta`: el modelo con la mayor puntuación f1. El valor predeterminado es F1. `precision_at_target_recall`: el modelo con la máxima precisión en un objetivo de exhaustividad determinado. `recall_at_target_precision`: el modelo con la máxima exhaustividad en un objetivo de precisión determinado. `loss_function`: el modelo con el valor más bajo de la función de pérdida utilizado en el entrenamiento. Opcional Valores válidos: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision`, o `loss_function` Valor predeterminado: `accuracy`
`early_stopping_patience`	El número de fechas de inicio para esperar antes de finalizar la capacitación si no se realiza ninguna mejora en la métrica relevante. Si ha proporcionado un valor para `binary_classifier_model_selection_criteria`. la métrica es dicho valor. De lo contrario, la métrica es la misma que el valor especificado para el hiperparámetro `loss`. La métrica se evalúa en los datos de validación. Si no ha proporcionado datos de validación, la métrica siempre la misma que el valor especificado para el hiperparámetro `loss` y se evalúa en los datos de capacitación. Para deshabilitar la parada precoz, establezca `early_stopping_patience` en un valor mayor que el valor especificado para `epochs`. Opcional Valores válidos: número entero positivo Valor predeterminado: 3
`early_stopping_tolerance`	Tolerancia relativa para medir una mejora en la pérdida. Si la proporción de la mejora en la pérdida dividida por la mejor pérdida anterior es inferior a este valor, la detención precoz considera que la mejora es cero. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0.001
`epochs`	Número máximo de iteraciones en los datos de capacitación. Opcional Valores válidos: número entero positivo Valor predeterminado: 15
`f_beta`	El valor de beta que se ha de emplear al calcular las métricas de puntuación F para la clasificación binaria o de varias clases. También se utiliza si el valor definido para `binary_classifier_model_selection_criteria` es `f_beta`. Opcional Valores válidos: enteros positivos de punto flotante Valor predeterminado: 1.0
`feature_dim`	El número de características en los datos de entrada. Opcional Valores válidos: `auto` o entero positivo Valores predeterminados: `auto`
`huber_delta`	El parámetro de pérdida de Huber. Durante la evaluación métrica y de capacitación, compute la pérdida L2 de errores inferiores a delata y de pérdida L1 de errores superiores a delta. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 1.0
`init_bias`	Ponderación inicial para el plazo de sesgo. Opcional Valores válidos: Entero de punto flotante Valor predeterminado: 0
`init_method`	Establece la función de distribución inicial que se utiliza para ponderaciones de modelo. Las funciones incluyen: `uniform`: distribuido uniformemente entre (-escala, +escala). `normal`: distribución normal, con media 0 y sigma. Opcional Valores válidos: `uniform` o `normal` Valor predeterminado: `uniform`
`init_scale`	Escala una distribución uniforme para ponderaciones de modelo. Se aplica solo cuando se establece el hiperparámetro `init_method` en `uniform`. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0.07
`init_sigma`	La desviación estándar inicial para la distribución normal. Se aplica solo cuando se establece el hiperparámetro `init_method` en `normal`. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0,01
`l1`	El parámetro de regularización de L1. Si no desea utilizar la regularización de L1, establezca el valor en 0. Opcional Valores válidos: `auto` o número flotante no negativo Valor predeterminado: `auto`
`learning_rate`	El tamaño del paso usado por el optimizador para actualizaciones de parámetros. Opcional Valores válidos: `auto` o entero positivo de punto flotante Valor predeterminado: `auto`, cuyo valor depende del optimizador elegido.
`loss`	Especifica la función de pérdida. Las funciones de pérdida disponibles y sus valores predeterminados dependen del valor de `predictor_type`: Si la `predictor_type` se establece en `regressor`, las opciones disponibles son `auto`, `squared_loss`, `absolute_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` y `huber_loss`. El valor predeterminado de `auto` es `squared_loss`. Si la `predictor_type` se establece en `binary_classifier`, las opciones disponibles son `auto`, `logistic` y `hinge_loss`. El valor predeterminado de `auto` es `logistic`. Si la `predictor_type` se establece en `multiclass_classifier`, las opciones disponibles son `auto` y `softmax_loss`. El valor predeterminado de `auto` es `softmax_loss`. Valores válidos: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` o `huber_loss` Opcional Valor predeterminado: `auto`
`loss_insensitivity`	El parámetro para el tipo de pérdida epsilon-insensible. Durante la evaluación métrica y de capacitación, cualquier error inferior a este valor se considera cero. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0,01
`lr_scheduler_factor`	Para cada hiperparámetro `lr_scheduler_step`, la tasa de aprendizaje disminuye en esta cantidad. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. Opcional Valores válidos: `auto` o positivo de punto flotante comprendido entre 0 y 1 Valor predeterminado: `auto`
`lr_scheduler_minimum_lr`	La tasa de aprendizaje nunca disminuye a un valor inferior al valor establecido para `lr_scheduler_minimum_lr`. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. Opcional Valores válidos: `auto` o entero positivo de punto flotante Valores predeterminados: `auto`
`lr_scheduler_step`	El número de pasos entre disminuciones de la tasa de aprendizaje. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. Opcional Valores válidos: `auto` o entero positivo Valor predeterminado: `auto`
`margin`	El margen para la función `hinge_loss`. Opcional Valores válidos: Entero positivo de punto flotante Valor predeterminado: 1.0
`mini_batch_size`	El número de observaciones por minilote para el iterador de datos. Opcional Valores válidos: número entero positivo Valor predeterminado: 1000
`momentum`	El impulso del optimizador `sgd`. Opcional Valores válidos: `auto` o un entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto`
`normalize_data`	Normaliza los datos de la característica antes de la capacitación. La normalización de los datos convierte los datos de cada característica para que tengan una media de cero y los escala para que tenga la desviación estándar de la unidad. Opcional Valores válidos: `auto`, `true` o `false` Valor predeterminado: `true`
`normalize_label`	Normaliza la etiqueta. La normalización de las etiquetas cambia la etiqueta para que tenga una media de cero y la escala para que tenga la desviación estándar de la unidad. El valor `auto` predeterminado normaliza la etiqueta para problemas de regresión, pero no para problemas de clasificación. Si establece el hiperparámetro `normalize_label` en `true` para problemas de clasificación, el algoritmo hace caso omiso de él. Opcional Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto`
`num_calibration_samples`	Número de observaciones del conjunto de datos de validación para usar en la calibración de modelo (cuando se encuentra el mejor umbral). Opcional Valores válidos: `auto` o entero positivo Valor predeterminado: `auto`
`num_models`	Número de modelos para capacitación en paralelo. Para el valor predeterminado, `auto`, el algoritmo decide el número de modelos en paralelo a capacitar. Se realiza la capacitación de un modelo según el parámetro de capacitación determinado (regularización, optimizador y pérdida) y el resto mediante parámetros cerrados. Opcional Valores válidos: `auto` o entero positivo Valores predeterminados: `auto`
`num_point_for_scaler`	El número de puntos de datos a usar para calcular la normalización o para establecer plazos sin sesgo. Opcional Valores válidos: número entero positivo Valor predeterminado: 10,000
`optimizer`	El algoritmo de optimización que se va a utilizar. Opcional Valores válidos: `auto`: el valor predeterminado. `sgd`: descenso de gradiente estocástico. `adam`: estimación de momento adaptativa. `rmsprop`: una técnica de optimización basada en gradientes que utiliza una media móvil de gradientes cuadrados para normalizar el gradiente. Valor predeterminado: `auto`. El ajuste predeterminado de `auto` es `adam`.
`positive_example_weight_mult`	La ponderación asignada a ejemplos positivos cuando se capacita un clasificador binario. La ponderación de los ejemplos negativos se fija en 1. Si desea que el algoritmo elija una ponderación de manera que los errores en los ejemplos de clasificación negativos frente a positivos tenga el mismo impacto en la pérdida de capacitación, especifique `balanced`. Si desea que el algoritmo elija la ponderación que optimice el rendimiento, especifique `auto`. Opcional Valores válidos: `balanced`, `auto` o un entero positivo de punto flotante Valor predeterminado: 1.0
`quantile`	El cuantil para pérdida de cuantil. Para el cuantil q, el modelo intenta producir predicciones de modo que el valor de `true_label` sea mayor que la predicción con probabilidad q. Opcional Valores válidos: entero de punto flotante comprendido entre 0 y 1 Valor predeterminado: 0,5
`target_precision`	La precisión de destino. Si `binary_classifier_model_selection_criteria` tiene el valor `recall_at_target_precision`, entonces se mantiene precisión en este valor al mismo tiempo que se optimiza rellamada. Opcional Valores válidos: Entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: 0.8
`target_recall`	La rellamada de destino. Si `binary_classifier_model_selection_criteria` tiene el valor `precision_at_target_recall`, entonces se mantiene rellamada en este valor al mismo tiempo que se optimiza precisión. Opcional Valores válidos: Entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: 0.8
`unbias_data`	Establece las características sin sesgo antes de la capacitación de modo que la media sea 0. De forma predeterminada, los datos no están sesgados si el hiperparámetro `use_bias` se establece en `true`. Opcional Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto`
`unbias_label`	Establece las etiquetas sin sesgo antes de la capacitación de modo que la media sea 0. Se aplica a la regresión solo si el `use_bias` hiperparámetro se establece en `true`. Opcional Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto`
`use_bias`	Especifica si el modelo debe incluir un término de sesgo, que es el término interceptar en la ecuación lineal. Opcional Valores válidos: `true` o `false` Valor predeterminado: `true`
`use_lr_scheduler`	Cuándo usar un programador para la tasa de aprendizaje. Si desea utilizar un programador, especifique `true`. Opcional Valores válidos: `true` o `false` Valor predeterminado: `true`
`wd`	El parámetro de degradación de ponderación, que también se conoce como parámetro de regularización de L2. Si no desea utilizar la regularización de L2, establezca el valor en 0. Opcional Valores válidos: `auto` o entero no negativo de punto flotante Valor predeterminado: `auto`

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Cómo funciona

Ajuste de modelo