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 votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Pour la métrique objective, vous utilisez l'une des métriques que l'algorithme calcule. Le réglage de modèle automatique recherche les hyperparamètres choisis pour trouver la combinaison des valeurs qui résultent dans le modèle optimisant la métrique d'objectif.
Pour plus d'informations sur le réglage de modèle, consultez Réglage automatique du modèle grâce à l' SageMaker IA.
Métriques calculées par l'algorithme Object2Vec
L'algorithme Object2Vec comporte à la fois des métriques de classification et des métriques de régression. Le type output_layer
détermine la métrique que vous pouvez utiliser pour le réglage de modèle automatique.
Métriques de régression calculées par l'algorithme Object2Vec
L'algorithme indique une métrique d'erreur quadratique moyenne pour la régression, calculée pendant les tests et la validation. Lors du réglage du modèle pour les tâches de régression, choisissez cette métrique comme objectif.
Nom de la métrique | Description | Orientation de l'optimisation |
---|---|---|
test:mean_squared_error |
Erreur quadratique moyenne (RMSE) |
Réduire |
validation:mean_squared_error |
Erreur quadratique moyenne (RMSE) |
Réduire |
Métriques de classification calculées par l'algorithme Object2Vec
L'algorithme Object2Vec rapporte les métriques de classification de précision et d'entropie croisée, calculées pendant les tests et la validation. Lors du réglage du modèle pour les tâches de classification, choisissez l'une d'elles comme objectif.
Nom de la métrique | Description | Orientation de l'optimisation |
---|---|---|
test:accuracy |
Précision |
Agrandir |
test:cross_entropy |
Entropie croisée |
Réduire |
validation:accuracy |
Précision |
Agrandir |
validation:cross_entropy |
Entropie croisée |
Réduire |
Hyper-paramètres Object2Vec réglables
Vous pouvez ajuster les hyperparamètres suivants pour l'algorithme Object2Vec.
Nom de l'hyperparamètre | Type de l'hyperparamètre | Plages et valeurs recommandées |
---|---|---|
dropout |
ContinuousParameterRange |
MinValue: 0,0, MaxValue 1,0 |
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, MaxValue 8192 |
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 |