Hyperparamètres k-NN - Amazon SageMaker AI

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.

Hyperparamètres k-NN

Le tableau suivant répertorie les hyperparamètres que vous pouvez définir pour l'algorithme k-nearest neighbors (k-NN) d'Amazon SageMaker AI.

Nom du paramètre Description
feature_dim

Nombre de caractéristiques des données d'entrée.

Obligatoire

Valeurs valides : nombre entier positif.
k

Le nombre de plus proches voisins.

Obligatoire

Valeurs valides : nombre entier positif
predictor_type

Type d'inférence à utiliser sur les étiquettes de données.

Obligatoire

Valeurs valides : classifier (classificateur) pour la classification ou regressor (régresseur) pour la régression.
sample_size

Nombre de points de données à échantillonner à partir du jeu de données de l'apprentissage.

Obligatoire

Valeurs valides : nombre entier positif
dimension_reduction_target

Dimension cible de la réduction.

Obligatoire lorsque vous spécifiez le paramètre dimension_reduction_type.

Valeurs valides : nombre entier positif supérieur à 0 et inférieur à feature_dim.
dimension_reduction_type

Type de la méthode de réduction de dimension.

Facultatif

Valeurs valides : sign pour la projection aléatoire ou fjlt pour FJLT (Fast Lindenstrauss-Johnson Transform).

Valeur par défaut : Pas de réduction de dimension
faiss_index_ivf_nlists

Le nombre de centroïdes à intégrer dans l'index lorsqu'il index_type est défaillant. IVFFlatou faiss. IVFPQ.

Facultatif

Valeurs valides : nombre entier positif

Valeur par défaut : auto, qui se résout en sqrt(sample_size).
faiss_index_pq_m

Le nombre de sous-composants vectoriels à construire dans l'index lorsqu'il index_type est défini sur faiss. IVFPQ.

La bibliothèque FaceBook AI Similarity Search (FAISS) nécessite que la valeur de faiss_index_pq_m soit un diviseur de la dimension des données. Si faiss_index_pq_m n'est pas un diviseur de la dimension de données, nous augmentons la dimension de données au plus petit nombre entier divisible par faiss_index_pq_m. Si aucune réduction de dimension ne s'applique, l'algorithme complète à l'aide de zéros. Si la réduction de dimension s'applique, l'algorithme augmente la valeur de l'hyperparamètre dimension_reduction_target.

Facultatif

Valeurs valides : l'un des nombres entiers positifs suivants : 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96
index_metric

Métrique permettant de mesurer la distance entre les points lors de la recherche des plus proches voisins. Lorsque la formation a lieu avec index_type défini sur faiss.IVFPQ, la distance INNER_PRODUCT et la similarité COSINE ne sont pas prises en charge.

Facultatif

Valeurs valides : L2 pour la distance euclidienne, INNER_ pour la distance du produit intérieur, PRODUCT pour la similitude des cosinus. COSINE

Valeur par défaut : L2
index_type

Type d'index.

Facultatif

Valeurs valides : Faiss.flat, faiss. IVFFlat, échec. IVFPQ.

Valeurs par défaut : faiss.Flat
mini_batch_size

Nombre d'observations par mini-lot pour l'itérateur de données.

Facultatif

Valeurs valides : nombre entier positif

Valeur par défaut : 5000