Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Le réglage de modèle automatique, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur vos jeu de données d'entraînement et de valisation. Le réglage du modèle se concentre sur les hyperparamètres suivants :
Note
La fonction de perte d'apprentissage est attribuée automatiquement en fonction du type de la tâche de classification, qui est déterminé par le nombre d'entiers uniques dans la colonne d'étiquette. Pour de plus amples informations, veuillez consulter CatBoost hyperparamètres.
-
une fonction de perte d'apprentissage à optimiser pendant l'entraînement du modèle ;
-
une métrique d'évaluation utilisée pour évaluer les performances du modèle lors de la validation ;
-
un jeu d'hyperparamètres et une plage de valeurs pour chacun d'eux, à utiliser lors du réglage automatique du modèle.
Le réglage de modèle automatique recherche parmi les hyperparamètres que vous avez choisis la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'évaluation choisie.
Note
Le réglage automatique des modèles n' CatBoost est disponible que depuis Amazon SageMaker AI SDKs, et non depuis la console SageMaker AI.
Pour plus d'informations sur le réglage de modèle, consultez Réglage automatique du modèle grâce à l' SageMaker IA.
Métriques d'évaluation calculées par l' CatBoostalgorithme
L' CatBoost algorithme d' SageMaker IA calcule les métriques suivantes à utiliser pour la validation du modèle. La métrique d'évaluation est attribuée automatiquement en fonction du type de tâche de classification, qui est déterminé par le nombre d'entiers uniques dans la colonne d'étiquettes.
| Nom de la métrique | Description | Orientation de l'optimisation | Motif Regex |
|---|---|---|---|
RMSE |
racine carrée de l'erreur quadratique moyenne | réduire | "bestTest = ([0-9\\.]+)" |
MAE |
erreur absolue moyenne | réduire | "bestTest = ([0-9\\.]+)" |
MedianAbsoluteError |
erreur absolue médiane | réduire | "bestTest = ([0-9\\.]+)" |
R2 |
score r2 | agrandir | "bestTest = ([0-9\\.]+)" |
Logloss |
entropie croisée binaire | agrandir | "bestTest = ([0-9\\.]+)" |
Precision |
precision | agrandir | "bestTest = ([0-9\\.]+)" |
Recall |
rappel | agrandir | "bestTest = ([0-9\\.]+)" |
F1 |
score f1 | agrandir | "bestTest = ([0-9\\.]+)" |
AUC |
score d'aire sous la courbe | agrandir | "bestTest = ([0-9\\.]+)" |
MultiClass |
entropie croisée multi-classes | agrandir | "bestTest = ([0-9\\.]+)" |
Accuracy |
précision | agrandir | "bestTest = ([0-9\\.]+)" |
BalancedAccuracy |
précision équilibrée | agrandir | "bestTest = ([0-9\\.]+)" |
Hyperparamètres réglables CatBoost
Réglez le CatBoost modèle avec les hyperparamètres suivants. Les hyperparamètres qui ont le plus d'effet sur l'optimisation des métriques CatBoost d'évaluation sont les suivants : learning_ratedepth,l2_leaf_reg, etrandom_strength. Pour obtenir la liste de tous les CatBoost hyperparamètres, consultezCatBoost hyperparamètres.
| Nom du paramètre | Type de paramètre | Plages recommandées |
|---|---|---|
learning_rate |
ContinuousParameterRanges | MinValue: 0,001, MaxValue 0,01 |
depth |
IntegerParameterRanges | MinValue: 4, MaxValue 10 |
l2_leaf_reg |
IntegerParameterRanges | MinValue: 2, MaxValue 10 |
random_strength |
ContinuousParameterRanges | MinValue: 0, MaxValue 10 |
