Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
K-Means Hyperparameter
Dalam CreateTrainingJob permintaan, Anda menentukan algoritma pelatihan yang ingin Anda gunakan. Anda juga dapat menentukan hyperparameter spesifik algoritma sebagai peta string-to-string. Tabel berikut mencantumkan hyperparameter untuk algoritma pelatihan k-mean yang disediakan oleh Amazon SageMaker AI. Untuk informasi lebih lanjut tentang cara kerja pengelompokan k-mean, lihat. Bagaimana Pengel K-Means ompokan Bekerja
| Nama Parameter | Deskripsi |
|---|---|
feature_dim |
Jumlah fitur dalam data input. Diperlukan Nilai yang valid: Integer positif |
k |
Jumlah cluster yang dibutuhkan. Diperlukan Nilai yang valid: Integer positif |
epochs |
Jumlah pass yang dilakukan di atas data pelatihan. Opsional Nilai yang valid: Integer positif Nilai default: 1 |
eval_metrics |
Daftar JSON jenis metrik yang digunakan untuk melaporkan skor untuk model. Nilai yang diizinkan adalah Opsional Nilai yang valid: Baik Nilai default: |
extra_center_factor |
Algoritma membuat K center = Opsional Nilai yang valid: Entah bilangan bulat positif atau Nilai default: |
half_life_time_size |
Digunakan untuk menentukan bobot yang diberikan pada pengamatan saat menghitung rata-rata cluster. Bobot ini meluruh secara eksponensial karena lebih banyak titik diamati. Ketika suatu titik pertama kali diamati, ia diberi bobot 1 saat menghitung rata-rata cluster. Konstanta peluruhan untuk fungsi peluruhan eksponensial dipilih sehingga setelah mengamati Opsional Nilai yang valid: Non-negative integer Nilai default: 0 |
init_method |
Metode dimana algoritma memilih pusat cluster awal. Pendekatan k-mean standar memilihnya secara acak. Metode k-means++ alternatif memilih pusat cluster pertama secara acak. Kemudian menyebarkan posisi cluster awal yang tersisa dengan membobot pemilihan pusat dengan distribusi probabilitas yang sebanding dengan kuadrat jarak titik data yang tersisa dari pusat yang ada. Opsional Nilai yang valid: Baik Nilai default: |
local_lloyd_init_method |
Metode inisialisasi untuk prosedur maksimalisasi harapan (EM) Lloyd yang digunakan untuk membangun model akhir yang berisi pusat. Opsional Nilai yang valid: Baik Nilai default: |
local_lloyd_max_iter |
Jumlah maksimum iterasi untuk prosedur maksimalisasi harapan (EM) Lloyd yang digunakan untuk membangun model akhir yang berisi pusat. Opsional Nilai yang valid: Integer positif Nilai default: 300 |
local_lloyd_num_trials |
Berapa kali prosedur maksimalisasi harapan (EM) Lloyd dengan kerugian paling sedikit dijalankan saat membangun model akhir yang berisi pusat. Opsional Nilai yang valid: Entah bilangan bulat positif atau Nilai default: |
local_lloyd_tol |
Toleransi terhadap perubahan kerugian untuk penghentian awal prosedur maksimalisasi harapan (EM) Lloyd yang digunakan untuk membangun model akhir yang berisi pusat. Opsional Nilai yang valid: Float. Rentang dalam [0, 1]. Nilai default: 0.0001 |
mini_batch_size |
Jumlah pengamatan per batch mini untuk iterator data. Opsional Nilai yang valid: Integer positif Nilai default: 5000 |
