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. Puede elegir tres tipos de hiperparámetros:
-
Una función
objective
de aprendizaje que se debe optimizar durante el entrenamiento con modelos. -
Una
eval_metric
para usar al evaluar el rendimiento del modelo durante la validación. -
Un conjunto de hiperparámetros y un rango de valores para emplear al ajustar el modelo automáticamente.
Usted elige la métrica de evaluación del conjunto de métricas de evaluación que calcula el algoritmo. El ajuste de modelo automático busca los hiperparámetros elegidos para encontrar la combinación de valores que genere el modelo que optimiza la métrica de evaluación.
nota
El ajuste automático del modelo para XGBoost 0.90 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 XGBoost
El XGBoost algoritmo calcula las siguientes métricas para utilizarlas en la validación del modelo. Al ajustar el modelo, elija una de estas métricas para evaluarlo. Para obtener una lista completa de eval_metric
valores válidos, consulte los parámetros de las tareas de XGBoost aprendizaje
Nombre de métrica | Descripción | Dirección de optimización |
---|---|---|
validation:accuracy |
Tasa de clasificación, calculada como #(correctos)/#(todos los casos). |
Maximizar |
validation:auc |
Área bajo la curva. |
Maximizar |
validation:error |
Tasa de errores de clasificación binaria, calculada como #(casos erróneos)/#(todos los casos). |
Minimizar |
validation:f1 |
Indicador de precisión de clasificación, calculado como la media armónica de precisión y recuperación. |
Maximizar |
validation:logloss |
Probabilidad de registro negativa. |
Minimizar |
validation:mae |
Error absoluto medio. |
Minimizar |
validation:map |
Precisión media. |
Maximizar |
validation:merror |
Tasa de errores de clasificación multiclase, calculada como #(casos erróneos)/#(todos los casos). |
Minimizar |
validation:mlogloss |
Probabilidad de registro negativa para la clasificación multiclase. |
Minimizar |
validation:mse |
Error cuadrático medio. |
Minimizar |
validation:ndcg |
Ganancia acumulativa con descuento normalizada. |
Maximizar |
validation:rmse |
Raíz del error cuadrático medio. |
Minimizar |
Hiperparámetros ajustables XGBoost
Ajuste el XGBoost modelo con los siguientes hiperparámetros. Los hiperparámetros que tienen el mayor efecto en la optimización de las métricas de XGBoost evaluación son:alpha
,min_child_weight
, subsample
eta
, y. num_round
Nombre del parámetro | Tipo de parámetro | Intervalos recomendados |
---|---|---|
alpha |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 1000 |
colsample_bylevel |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue: 1 |
colsample_bynode |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue: 1 |
colsample_bytree |
ContinuousParameterRanges |
MinValue: 0,5, MaxValue: 1 |
eta |
ContinuousParameterRanges |
MinValue: 0,1, MaxValue 0,5 |
gamma |
ContinuousParameterRanges |
MinValue: 0, MaxValue 5 |
lambda |
ContinuousParameterRanges |
MinValue: 0, MaxValue 1000 |
max_delta_step |
IntegerParameterRanges |
[0, 10] |
max_depth |
IntegerParameterRanges |
[0, 10] |
min_child_weight |
ContinuousParameterRanges |
MinValue: 0, MaxValue 120 |
num_round |
IntegerParameterRanges |
[1, 4000] |
subsample |
ContinuousParameterRanges |
MinValue: 0,5, MaxValue: 1 |