Régler un GBM modèle d'éclairage - Amazon SageMaker

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.

Régler un GBM modèle d'éclairage

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 objective 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 GBMHyperparamètres de la lumière.

  • une fonction objective 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 dans les hyperparamètres que vous avez spécifiés la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'évaluation choisie.

Note

Le réglage automatique des modèles pour Light n'GBMest disponible que sur Amazon SageMaker SDKs, pas depuis la SageMaker console.

Pour plus d'informations sur le réglage de modèle, consultez Réglage automatique du modèle avec SageMaker.

Métriques d'évaluation calculées par l'GBMalgorithme Light

L'GBMalgorithme SageMaker Light 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 "rmse: ([0-9\\.]+)"
l1 erreur absolue moyenne réduire "l1: ([0-9\\.]+)"
l2 erreur quadratique moyenne réduire "l2: ([0-9\\.]+)"
huber perte Huber réduire "huber: ([0-9\\.]+)"
fair perte équitable réduire "fair: ([0-9\\.]+)"
binary_logloss entropie croisée binaire agrandir "binary_logloss: ([0-9\\.]+)"
binary_error erreur binaire réduire "binary_error: ([0-9\\.]+)"
auc AUC agrandir "auc: ([0-9\\.]+)"
average_precision score de précision moyenne agrandir "average_precision: ([0-9\\.]+)"
multi_logloss entropie croisée multi-classes agrandir "multi_logloss: ([0-9\\.]+)"
multi_error score d'erreur multiclasse réduire "multi_error: ([0-9\\.]+)"
auc_mu AUC-mu agrandir "auc_mu: ([0-9\\.]+)"
cross_entropy entropie croisée réduire "cross_entropy: ([0-9\\.]+)"

Hyperparamètres de lumière GBM réglable

Réglez le GBM modèle Light avec les hyperparamètres suivants. Les hyperparamètres qui ont le plus d'effet sur l'optimisation des métriques GBM d'évaluation de la lumière sont les suivants : learning_ratenum_leaves,feature_fraction,bagging_fraction,bagging_freq, max_depth etmin_data_in_leaf. Pour obtenir la liste de tous les GBM hyperparamètres Light, reportez-vous GBMHyperparamètres de la lumière à la section.

Nom du paramètre Type de paramètre Plages recommandées
learning_rate ContinuousParameterRanges MinValue: 0,001, MaxValue 0,01
num_leaves IntegerParameterRanges MinValue: 10, MaxValue 10
feature_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue 1,0
bagging_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue 1,0
bagging_freq IntegerParameterRanges MinValue: 0, MaxValue 10
max_depth IntegerParameterRanges MinValue: 15, MaxValue 100
min_data_in_leaf IntegerParameterRanges MinValue: 10, MaxValue 20