Menyetel GBM model Cahaya - Amazon SageMaker
MetrikHiperparameter yang dapat disetel

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menyetel GBM model Cahaya

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 tujuan pembelajaran secara otomatis ditetapkan berdasarkan jenis tugas klasifikasi, yang ditentukan oleh jumlah bilangan bulat unik di kolom label. Untuk informasi selengkapnya, lihat GBMHiperparameter cahaya.

  • Fungsi tujuan pembelajaran 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 yang Anda tentukan untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik evaluasi yang dipilih.

catatan

Penyetelan model otomatis untuk Cahaya hanya GBM tersedia dari Amazon SageMaker SDKs, bukan dari SageMaker konsol.

Untuk informasi lebih lanjut tentang penyetelan model, lihatPenyetelan model otomatis dengan SageMaker.

Metrik evaluasi dihitung oleh algoritma Light GBM

GBMAlgoritma SageMaker Light 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 "rmse: ([0-9\\.]+)"
l1 berarti kesalahan absolut memperkecil "l1: ([0-9\\.]+)"
l2 berarti kesalahan kuadrat memperkecil "l2: ([0-9\\.]+)"
huber kerugian huber memperkecil "huber: ([0-9\\.]+)"
fair kerugian yang adil memperkecil "fair: ([0-9\\.]+)"
binary_logloss entropi silang biner memaksimalkan "binary_logloss: ([0-9\\.]+)"
binary_error kesalahan biner memperkecil "binary_error: ([0-9\\.]+)"
auc AUC memaksimalkan "auc: ([0-9\\.]+)"
average_precision skor presisi rata-rata memaksimalkan "average_precision: ([0-9\\.]+)"
multi_logloss entropi silang multiclass memaksimalkan "multi_logloss: ([0-9\\.]+)"
multi_error skor kesalahan multiclass memperkecil "multi_error: ([0-9\\.]+)"
auc_mu AUC-mu memaksimalkan "auc_mu: ([0-9\\.]+)"
cross_entropy entropi silang memperkecil "cross_entropy: ([0-9\\.]+)"

Hiperparameter Cahaya yang Dapat GBM Disetel

Setel GBM model Light dengan hyperparameters berikut. Hiperparameter yang memiliki efek terbesar dalam mengoptimalkan metrik GBM evaluasi Cahaya adalah:learning_rate,,,, num_leaves feature_fractionbagging_fraction, bagging_freq dan. max_depth min_data_in_leaf Untuk daftar semua GBM hiperparameter Cahaya, lihatGBMHiperparameter cahaya.

Nama Parameter Jenis Parameter Rentang yang Direkomendasikan
learning_rate ContinuousParameterRanges MinValue: 0,001, MaxValue: 0,01
num_leaves IntegerParameterRanges MinValue: 10, MaxValue: 100
feature_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue: 1,0
bagging_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue: 1,0
bagging_freq IntegerParameterRanges MinValue: 0, MaxValue: 10
max_depth IntegerParameterRanges MinValue: 15, MaxValue: 100
min_data_in_leaf IntegerParameterRanges MinValue: 10, MaxValue: 200