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. Para la métrica objetiva, utilice una de las métricas que el algoritmo calcula. El ajuste de modelos automático busca los hiperparámetros elegidos para encontrar la combinación de valores que dan lugar a un modelo que optimiza la métrica objetivo.
Para obtener más información acerca del ajuste de modelos, consulte Ajuste automático de modelos con IA SageMaker .
Métricas calculadas por el algoritmo Object2Vec
El algoritmo Object2Vec tiene métricas de clasificación y regresión. El tipo output_layer
determina qué métrica puede utilizar para ajuste del modelo automático.
Métricas de regresor calculadas por el algoritmo Object2Vec
El algoritmo registra una métrica regresor de error cuadrático medio, que se calcula durante las pruebas y validación. Al ajustar el modelo para las tareas de regresión, elija esta métrica como el objetivo.
Nombre de métrica | Descripción | Dirección de optimización |
---|---|---|
test:mean_squared_error |
Error cuadrado medio |
Minimizar |
validation:mean_squared_error |
Error cuadrado medio |
Minimizar |
Métricas de clasificación calculadas por el algoritmo Object2Vec
El algoritmo Object2Vec notifica métricas de precisión y clasificación de entropía cruzada, que se calculan durante el ensayo y validación. Al ajustar el modelo para tareas de clasificación, elija una de estas métricas como objetivo.
Nombre de métrica | Descripción | Dirección de optimización |
---|---|---|
test:accuracy |
Exactitud |
Maximizar |
test:cross_entropy |
Entropía cruzada |
Minimizar |
validation:accuracy |
Exactitud |
Maximizar |
validation:cross_entropy |
Entropía cruzada |
Minimizar |
Hiperparámetros ajustables de Object2Vec
Puede ajustar los siguientes hiperparámetros para el algoritmo Object2Vec.
Nombre del hiperparámetro | Tipo de hiperparámetro | Rangos y valores recomendados |
---|---|---|
dropout |
ContinuousParameterRange |
MinValue: 0.0,: 1.0 MaxValue |
early_stopping_patience |
IntegerParameterRange |
MinValue: 1, MaxValue 5 |
early_stopping_tolerance |
ContinuousParameterRange |
MinValue: 0,001, MaxValue: 0,1 |
enc_dim |
IntegerParameterRange |
MinValue: 4, MaxValue 4096 |
enc0_cnn_filter_width |
IntegerParameterRange |
MinValue: 1, MaxValue 5 |
enc0_layers |
IntegerParameterRange |
MinValue: 1, MaxValue 4 |
enc0_token_embedding_dim |
IntegerParameterRange |
MinValue: 5, MaxValue 30 |
enc1_cnn_filter_width |
IntegerParameterRange |
MinValue: 1, MaxValue 5 |
enc1_layers |
IntegerParameterRange |
MinValue: 1, MaxValue 4 |
enc1_token_embedding_dim |
IntegerParameterRange |
MinValue: 5, MaxValue 30 |
epochs |
IntegerParameterRange |
MinValue: 4, MaxValue 20 |
learning_rate |
ContinuousParameterRange |
MinValue: 1e-6, MaxValue: 1,0 |
mini_batch_size |
IntegerParameterRange |
MinValue: 1, 8192 MaxValue |
mlp_activation |
CategoricalParameterRanges |
[ |
mlp_dim |
IntegerParameterRange |
MinValue: 16, MaxValue 1024 |
mlp_layers |
IntegerParameterRange |
MinValue: 1, MaxValue 4 |
optimizer |
CategoricalParameterRanges | [ |
weight_decay |
ContinuousParameterRange |
MinValue: 0,0, MaxValue 1,0 |