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 Anda. Anda memilih hyperparameters yang dapat disetel, rentang nilai untuk masing-masing, dan metrik objektif. Anda memilih metrik objektif dari metrik yang dihitung algoritme. Penyetelan model otomatis mencari hiperparameter yang dipilih untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik objektif.
Untuk informasi selengkapnya tentang penyetelan model, lihatPenyetelan model otomatis dengan AI SageMaker .
Metrik yang Dihitung oleh Algoritma DeepAR
Algoritma DeepAR melaporkan tiga metrik, yang dihitung selama pelatihan. Saat menyetel model, pilih salah satu dari ini sebagai tujuan. Untuk tujuan tersebut, gunakan akurasi perkiraan pada saluran pengujian yang disediakan (disarankan) atau kehilangan pelatihan. Untuk rekomendasi untuk pembagian pelatihan/pengujian untuk algoritma DeepAR, lihat. Praktik Terbaik untuk Menggunakan Algoritma DeepAR
| Nama Metrik | Deskripsi | Arah Optimasi |
|---|---|---|
test:RMSE |
Kesalahan kuadrat rata-rata akar antara perkiraan dan target aktual yang dihitung pada set pengujian. |
Minimalkan |
test:mean_wQuantileLoss |
Rata-rata kerugian kuantil keseluruhan dihitung pada set tes. Untuk mengontrol kuantil mana yang digunakan, atur hyperparameter. |
Minimalkan |
train:final_loss |
Kerugian kemungkinan log negatif pelatihan dirata-ratakan selama zaman pelatihan terakhir untuk model. |
Minimalkan |
Hiperparameter yang dapat disetel untuk Algoritma DeepAR
Setel model DeepAR dengan hyperparameter berikut. Hiperparameter yang memiliki dampak terbesar, terdaftar dalam urutan dari yang paling berdampak hingga yang paling tidak berdampak, pada metrik objektif DeepAR adalah:,,,, dan. epochs context_length mini_batch_size learning_rate num_cells
| Nama Parameter | Jenis Parameter | Rentang yang Direkomendasikan |
|---|---|---|
epochs |
|
MinValue: 1, MaxValue: 1000 |
context_length |
|
MinValue: 1, MaxValue: 200 |
mini_batch_size |
|
MinValue: 32, MaxValue: 1028 |
learning_rate |
|
MinValue: 1e-5,: 1e-1 MaxValue |
num_cells |
|
MinValue: 30, MaxValue: 200 |
num_layers |
|
MinValue: 1, MaxValue: 8 |
dropout_rate |
|
MinValue: 0.00, MaxValue: 0.2 |
embedding_dimension |
|
MinValue: 1, MaxValue: 50 |
