Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Penyetelan model otomatis, juga dikenal sebagai tuning hyperparameter, menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan yang menguji berbagai hiperparameter pada kumpulan data pelatihan dan validasi Anda. Penyetelan model berfokus pada hiperparameter berikut:
catatan
Fungsi kehilangan pembelajaran secara otomatis ditetapkan berdasarkan jenis tugas klasifikasi, yang ditentukan oleh jumlah bilangan bulat unik di kolom label. Untuk informasi selengkapnya, lihat CatBoost hiperparameter.
-
Fungsi kehilangan belajar untuk mengoptimalkan selama pelatihan model
-
Metrik evaluasi yang digunakan untuk mengevaluasi kinerja model selama validasi
-
Satu set hyperparameters dan rentang nilai untuk masing-masing untuk digunakan saat menyetel model secara otomatis
Penyetelan model otomatis mencari hiperparameter pilihan Anda untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik evaluasi yang dipilih.
catatan
Penyetelan model otomatis hanya CatBoost tersedia dari Amazon SageMaker AI SDKs, bukan dari konsol SageMaker AI.
Untuk informasi selengkapnya tentang penyetelan model, lihatPenyetelan model otomatis dengan AI SageMaker .
Metrik evaluasi dihitung oleh algoritme CatBoost
CatBoost Algoritma SageMaker AI menghitung metrik berikut untuk digunakan untuk validasi model. Metrik evaluasi secara otomatis ditetapkan berdasarkan jenis tugas klasifikasi, yang ditentukan oleh jumlah bilangan bulat unik di kolom label.
| Nama Metrik | Deskripsi | Arah Optimasi | Pola Regex |
|---|---|---|---|
RMSE |
kesalahan kuadrat rata-rata akar | memperkecil | "bestTest = ([0-9\\.]+)" |
MAE |
berarti kesalahan absolut | memperkecil | "bestTest = ([0-9\\.]+)" |
MedianAbsoluteError |
kesalahan absolut median | memperkecil | "bestTest = ([0-9\\.]+)" |
R2 |
skor r2 | memaksimalkan | "bestTest = ([0-9\\.]+)" |
Logloss |
entropi silang biner | memaksimalkan | "bestTest = ([0-9\\.]+)" |
Precision |
ketepatan | memaksimalkan | "bestTest = ([0-9\\.]+)" |
Recall |
penarikan | memaksimalkan | "bestTest = ([0-9\\.]+)" |
F1 |
skor f1 | memaksimalkan | "bestTest = ([0-9\\.]+)" |
AUC |
skor auc | memaksimalkan | "bestTest = ([0-9\\.]+)" |
MultiClass |
entropi silang multiclass | memaksimalkan | "bestTest = ([0-9\\.]+)" |
Accuracy |
ketepatan | memaksimalkan | "bestTest = ([0-9\\.]+)" |
BalancedAccuracy |
akurasi seimbang | memaksimalkan | "bestTest = ([0-9\\.]+)" |
Hiperparameter yang dapat disetel CatBoost
Setel CatBoost model dengan hyperparameters berikut. Hiperparameter yang memiliki efek terbesar dalam mengoptimalkan metrik CatBoost evaluasi adalah:learning_rate,,depth, l2_leaf_reg dan. random_strength Untuk daftar semua CatBoost hyperparameters, lihatCatBoost hiperparameter.
| Nama Parameter | Jenis Parameter | Rentang yang Direkomendasikan |
|---|---|---|
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 |
