Mode pelatihan dan dukungan algoritma

Ensembling — Autopilot menggunakan AutoGluon perpustakaan untuk melatih beberapa model dasar. Untuk menemukan kombinasi terbaik untuk dataset Anda, mode ensemble menjalankan 10 percobaan dengan model dan pengaturan parameter meta yang berbeda. Kemudian Autopilot menggabungkan model-model ini menggunakan metode susun ansambel untuk membuat model prediktif yang optimal. Untuk daftar algoritma yang didukung Autopilot dalam mode ansambel untuk data tabular, lihat bagian Dukungan Algoritma berikut.

Optimasi Hyperparameter (HPO) — Autopilot menemukan versi model terbaik dengan menyetel hyperparameter menggunakan optimasi Bayesian atau pengoptimalan multi-fidelitas saat menjalankan pekerjaan pelatihan pada dataset Anda. Mode HPO memilih algoritma yang paling relevan dengan dataset Anda dan memilih rentang hyperparameter terbaik untuk menyetel model Anda. Untuk menyetel model Anda, mode HPO menjalankan hingga 100 percobaan (default) untuk menemukan pengaturan hyperparameter optimal dalam rentang yang dipilih. Jika ukuran dataset Anda kurang dari 100 MB, Autopilot menggunakan optimasi Bayesian. Autopilot memilih pengoptimalan multi-fidelitas jika dataset Anda lebih besar dari 100 MB.

Dalam pengoptimalan multi-fidelitas, metrik terus dipancarkan dari wadah pelatihan. Percobaan yang berkinerja buruk terhadap metrik objektif yang dipilih dihentikan lebih awal. Uji coba yang berkinerja baik dialokasikan lebih banyak sumber daya.

Untuk daftar algoritma yang didukung Autopilot dalam mode HPO, lihat bagian Dukungan Algoritma berikut.

Otom atis — Autopilot secara otomatis memilih mode ansambel atau mode HPO berdasarkan ukuran dataset Anda. Jika dataset Anda lebih besar dari 100 MB, Autopilot memilih HPO. Jika tidak, ia memilih mode ansambel. Autopilot dapat gagal membaca ukuran dataset Anda dalam kasus berikut.

Jika Autopilot tidak dapat membaca ukuran dataset Anda, secara default memilih mode HPO.

Pembelajar linier — Algoritma pembelajaran terawasi yang dapat memecahkan masalah klasifikasi atau regresi.

XGBoost — Algoritma pembelajaran terawasi yang mencoba memprediksi variabel target secara akurat dengan menggabungkan ansambel perkiraan dari serangkaian model yang lebih sederhana dan lebih lemah.

Algoritma pembelajaran mendalam — Perceptron multilayer (MLP) dan jaringan saraf tiruan feedforward. Algoritma ini dapat menangani data yang tidak dapat dipisahkan secara linier.

LightGBM — Kerangka kerja yang dioptimalkan yang menggunakan algoritma berbasis pohon dengan peningkatan gradien. Algoritma ini menggunakan pohon yang tumbuh lebarnya, bukan kedalaman, dan sangat dioptimalkan untuk kecepatan.

CatBoost— Kerangka kerja yang menggunakan algoritma berbasis pohon dengan peningkatan gradien. Dioptimalkan untuk menangani variabel kategoris.

XGBoost — Kerangka kerja yang menggunakan algoritma berbasis pohon dengan peningkatan gradien yang tumbuh secara mendalam, bukan luas.

Random Forest — Algoritma berbasis pohon yang menggunakan beberapa pohon keputusan pada sub-sampel acak dari data dengan penggantian. Pohon-pohon dibagi menjadi simpul optimal di setiap tingkat. Keputusan setiap pohon dirata-ratakan bersama untuk mencegah kelebihan pemasangan dan meningkatkan prediksi.

Pohon Ekstra — Algoritma berbasis pohon yang menggunakan beberapa pohon keputusan pada seluruh dataset. Pohon-pohon dibagi secara acak di setiap tingkat. Keputusan setiap pohon dirata-ratakan untuk mencegah kelebihan pemasangan dan untuk meningkatkan prediksi. Pohon tambahan menambahkan tingkat pengacakan dibandingkan dengan algoritma hutan acak.

Model Linear — Kerangka kerja yang menggunakan persamaan linier untuk memodelkan hubungan antara dua variabel dalam data yang diamati.

Obor jaringan saraf — Model jaringan saraf yang diimplementasikan menggunakan Pytorch.

Neural network fast.ai — Model jaringan saraf yang diimplementasikan menggunakan fast.ai.