Hiperparameter pelajar linier

Tabel berikut berisi hyperparameters untuk algoritma pembelajar linier. Ini adalah parameter yang ditetapkan oleh pengguna untuk memfasilitasi estimasi parameter model dari data. Hyperparameter yang diperlukan yang harus ditetapkan terdaftar terlebih dahulu, dalam urutan abjad. Hyperparameter opsional yang dapat diatur tercantum berikutnya, juga dalam urutan abjad. Ketika hyperparameter disetel keauto, Amazon SageMaker akan secara otomatis menghitung dan menetapkan nilai hyperparameter itu.

Nama Parameter	Deskripsi
`num_classes`	Jumlah kelas untuk variabel respons. Algoritma mengasumsikan bahwa kelas diberi label`0`,...,. `num_classes - 1` Diperlukan kapan `predictor_typemulticlass_classifier`. Jika tidak, algoritma mengabaikannya. Nilai yang valid: Bilangan bulat dari 3 hingga 1.000.000
`predictor_type`	Menentukan jenis variabel target sebagai klasifikasi biner, klasifikasi multiclass, atau regresi. Diperlukan Nilai valid: `binary_classifier`, `multiclass_classifier`, atau `regressor`
`accuracy_top_k`	Saat menghitung metrik akurasi top-k untuk klasifikasi multiclass, nilai k. Jika model menetapkan salah satu skor top-k ke label sebenarnya, sebuah contoh dinilai sebagai benar. Opsional Nilai yang valid: Bilangan bulat positif Nilai default: 3
`balance_multiclass_weights`	Menentukan apakah akan menggunakan bobot kelas, yang memberikan masing-masing kelas sama pentingnya dalam fungsi kerugian. Digunakan hanya ketika `predictor_type` ada`multiclass_classifier`. Opsional Nilai yang valid: `true`, `false` Nilai default: `false`
`beta_1`	Tingkat peluruhan eksponensial untuk perkiraan momen pertama. Berlaku hanya jika `optimizer` nilainya`adam`. Opsional Nilai valid: `auto` atau nilai floating-point antara 0 dan 1.0 Nilai default: `auto`
`beta_2`	Tingkat peluruhan eksponensial untuk perkiraan momen kedua. Berlaku hanya jika `optimizer` nilainya`adam`. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point antara 0 dan 1.0 Nilai default: `auto`
`bias_lr_mult`	Memungkinkan tingkat pembelajaran yang berbeda untuk istilah bias. Tingkat pembelajaran aktual untuk bias adalah `learning_rate` `bias_lr_mult`. Opsional* Nilai yang valid: `auto` atau bilangan bulat floating-point positif Nilai default: `auto`
`bias_wd_mult`	Memungkinkan regularisasi yang berbeda untuk istilah bias. Bobot regularisasi L2 aktual untuk bias adalah . `wd` `bias_wd_mult` Secara default, tidak ada regularisasi pada istilah bias. Opsional* Nilai yang valid: `auto` atau bilangan bulat floating-point non-negatif Nilai default: `auto`
`binary_classifier_model_selection_criteria`	Kapan `predictor_type` disetel ke`binary_classifier`, kriteria evaluasi model untuk kumpulan data validasi (atau untuk kumpulan data pelatihan jika Anda tidak memberikan kumpulan data validasi). Kriteria meliputi: `accuracy`—Model dengan akurasi tertinggi. `f_beta`—Model dengan skor F1 tertinggi. Defaultnya adalah F1. `precision_at_target_recall`—Model dengan presisi tertinggi pada target penarikan yang diberikan. `recall_at_target_precision`—Model dengan recall tertinggi pada target presisi tertentu. `loss_function`—Model dengan nilai terendah dari fungsi kerugian yang digunakan dalam pelatihan. Opsional Nilai yang valid:`accuracy`,`f_beta`,`precision_at_target_recall`,`recall_at_target_precision`, atau `loss_function` Nilai default: `accuracy`
`early_stopping_patience`	Jika tidak ada perbaikan yang dilakukan dalam metrik yang relevan, jumlah zaman yang harus menunggu sebelum mengakhiri pelatihan. Jika Anda telah memberikan nilai `binary_classifier_model_selection_criteria` untuk. metrik adalah nilai itu. Jika tidak, metriknya sama dengan nilai yang ditentukan untuk `loss` hyperparameter. Metrik dievaluasi pada data validasi. Jika Anda belum memberikan data validasi, metrik selalu sama dengan nilai yang ditentukan untuk `loss` hyperparameter dan dievaluasi pada data pelatihan. Untuk menonaktifkan penghentian awal, atur `early_stopping_patience` ke nilai yang lebih besar dari nilai yang ditentukan untuk`epochs`. Opsional Nilai yang valid: Bilangan bulat positif Nilai default: 3
`early_stopping_tolerance`	Toleransi relatif untuk mengukur peningkatan kerugian. Jika rasio peningkatan kerugian dibagi dengan kerugian terbaik sebelumnya lebih kecil dari nilai ini, penghentian awal menganggap peningkatan menjadi nol. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 0,001
`epochs`	Jumlah maksimum lintasan atas data pelatihan. Opsional Nilai yang valid: Bilangan bulat positif Nilai default: 15
`f_beta`	Nilai beta yang digunakan saat menghitung metrik skor F untuk klasifikasi biner atau multiclass. Juga digunakan jika nilai yang ditentukan untuk `binary_classifier_model_selection_criteria` adalah`f_beta`. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 1.0
`feature_dim`	Jumlah fitur dalam data input. Opsional Nilai yang valid: `auto` atau bilangan bulat positif Nilai default: `auto`
`huber_delta`	Parameter untuk kerugian Huber. Selama pelatihan dan evaluasi metrik, hitung kerugian L2 untuk kesalahan yang lebih kecil dari delta dan kerugian L1 untuk kesalahan yang lebih besar dari delta. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 1.0
`init_bias`	Bobot awal untuk istilah bias. Opsional Nilai yang valid: Integer Floating-point Nilai default: 0
`init_method`	Menetapkan fungsi distribusi awal yang digunakan untuk bobot model. Fungsi meliputi: `uniform`—Didistribusikan secara seragam antara (-skala, +skala) `normal`Distribusi normal, dengan rata-rata 0 dan sigma Opsional Nilai yang valid: `uniform` or `normal` Nilai default: `uniform`
`init_scale`	Menimbang distribusi seragam awal untuk bobot model. Berlaku hanya ketika `init_method` hyperparameter disetel ke`uniform`. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 0,07
`init_sigma`	Standar deviasi awal untuk distribusi normal. Berlaku hanya ketika `init_method` hyperparameter disetel ke`normal`. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 0,01
`l1`	Parameter regularisasi L1. Jika Anda tidak ingin menggunakan regularisasi L1, atur nilainya ke 0. Opsional Nilai yang valid: `auto` atau float non-negatif Nilai default: `auto`
`learning_rate`	Ukuran langkah yang digunakan oleh pengoptimal untuk pembaruan parameter. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point positif Nilai default:`auto`, yang nilainya tergantung pada pengoptimal yang dipilih.
`loss`	Menentukan fungsi kerugian. Fungsi kerugian yang tersedia dan nilai defaultnya bergantung pada nilai`predictor_type`: Jika `predictor_type` diatur ke`regressor`, opsi yang tersedia adalah`auto`,,`squared_loss`, `absolute_losseps_insensitive_squared_loss`,`eps_insensitive_absolute_loss`,`quantile_loss`, dan`huber_loss`. Nilai default-nya `auto` is `squared_loss`. Jika `predictor_type` diatur ke`binary_classifier`, opsi yang tersedia adalah`auto`,`logistic`, dan`hinge_loss`. Nilai default-nya `auto` is `logistic`. Jika `predictor_type` diatur ke`multiclass_classifier`, opsi yang tersedia adalah `auto` dan`softmax_loss`. Nilai default-nya `auto` is `softmax_loss`. Nilai yang valid: `autologistic`,`squared_loss`,`absolute_loss`,`hinge_loss`,`eps_insensitive_squared_loss`,`eps_insensitive_absolute_loss`,`quantile_loss`, atau `huber_loss` Opsional Nilai default: `auto`
`loss_insensitivity`	Parameter untuk tipe kerugian epsilon-insensitive. Selama pelatihan dan evaluasi metrik, kesalahan yang lebih kecil dari nilai ini dianggap nol. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 0,01
`lr_scheduler_factor`	Untuk setiap `lr_scheduler_step` hiperparameter, tingkat pembelajaran menurun dengan kuantitas ini. Berlaku hanya ketika `use_lr_scheduler` hyperparameter disetel ke`true`. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point positif antara 0 dan 1 Nilai default: `auto`
`lr_scheduler_minimum_lr`	Tingkat pembelajaran tidak pernah menurun ke nilai yang lebih rendah dari nilai yang ditetapkan`lr_scheduler_minimum_lr`. Berlaku hanya ketika `use_lr_scheduler` hyperparameter disetel ke`true`. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point positif Nilai default: `auto`
`lr_scheduler_step`	Jumlah langkah antara penurunan tingkat pembelajaran. Berlaku hanya ketika `use_lr_scheduler` hyperparameter disetel ke`true`. Opsional Nilai yang valid: `auto` atau bilangan bulat positif Nilai default: `auto`
`margin`	Margin untuk `hinge_loss` fungsi tersebut. Opsional Nilai yang valid: Bilangan bulat floating-point positif Nilai default: 1.0
`mini_batch_size`	Jumlah pengamatan per mini-batch untuk iterator data. Opsional Nilai yang valid: Bilangan bulat positif Nilai default: 1000
`momentum`	Momentum `sgd` pengoptimal. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point antara 0 dan 1.0 Nilai default: `auto`
`normalize_data`	Menormalkan data fitur sebelum pelatihan. Normalisasi data menggeser data untuk setiap fitur untuk memiliki rata-rata nol dan menskalakannya untuk memiliki standar deviasi unit. Opsional Nilai valid: `auto`, `true`, atau `false` Nilai default: `true`
`normalize_label`	Menormalkan label. Normalisasi label menggeser label untuk memiliki rata-rata nol dan menskalakannya untuk memiliki satuan standar deviasi. Nilai `auto` default menormalkan label untuk masalah regresi tetapi tidak untuk masalah klasifikasi. Jika Anda mengatur `normalize_label` hyperparameter `true` untuk masalah klasifikasi, algoritme mengabaikannya. Opsional Nilai valid: `auto`, `true`, atau `false` Nilai default: `auto`
`num_calibration_samples`	Jumlah pengamatan dari dataset validasi yang akan digunakan untuk kalibrasi model (saat menemukan ambang batas terbaik). Opsional Nilai yang valid: `auto` atau bilangan bulat positif Nilai default: `auto`
`num_models`	Jumlah model untuk dilatih secara paralel. Untuk default,`auto`, algoritma menentukan jumlah model paralel untuk dilatih. Satu model dilatih sesuai dengan parameter pelatihan yang diberikan (regularisasi, pengoptimal, kehilangan), dan sisanya dengan parameter dekat. Opsional Nilai yang valid: `auto` atau bilangan bulat positif Nilai default: `auto`
`num_point_for_scaler`	Jumlah titik data yang digunakan untuk menghitung normalisasi atau tidak bias istilah. Opsional Nilai yang valid: Bilangan bulat positif Nilai default: 10.000
`optimizer`	Algoritma optimasi untuk digunakan. Opsional Nilai yang valid: `auto`—Nilai default. `sgd`—Penurunan gradien stokastik. `adam`— Estimasi momentum adaptif. `rmsprop`—Teknik optimasi berbasis gradien yang menggunakan rata-rata bergerak gradien kuadrat untuk menormalkan gradien. Nilai default:`auto`. Pengaturan default untuk `auto` adalah`adam`.
`positive_example_weight_mult`	Bobot diberikan pada contoh positif saat melatih pengklasifikasi biner. Bobot contoh negatif ditetapkan pada 1. Jika Anda ingin algoritme memilih bobot sehingga kesalahan dalam mengklasifikasikan contoh negatif vs. positif memiliki dampak yang sama pada kehilangan pelatihan, tentukan. `balanced` Jika Anda ingin algoritme memilih bobot yang mengoptimalkan kinerja, tentukan`auto`. Opsional Nilai yang valid:`balanced`,`auto`, atau bilangan bulat floating-point positif Nilai default: 1.0
`quantile`	Kuantil untuk kerugian kuantil. Untuk kuantil q, model mencoba menghasilkan prediksi sehingga nilai lebih besar dari `true_label` prediksi dengan probabilitas q. Opsional Nilai yang valid: Integer Floating-point antara 0 dan 1 Nilai default: 0,5
`target_precision`	Ketepatan target. Jika `binary_classifier_model_selection_criteria` ya`recall_at_target_precision`, maka presisi dipertahankan pada nilai ini sementara recall dimaksimalkan. Opsional Nilai yang valid: Integer Floating-point antara 0 dan 1.0 Nilai default: 0,8
`target_recall`	Target recall. Jika `binary_classifier_model_selection_criteria` ya`precision_at_target_recall`, maka recall ditahan pada nilai ini sementara presisi dimaksimalkan. Opsional Nilai yang valid: Integer Floating-point antara 0 dan 1.0 Nilai default: 0,8
`unbias_data`	Tidak bias fitur sebelum pelatihan sehingga rata-ratanya adalah 0. Secara default, data tidak bias karena `use_bias` hyperparameter disetel ke. `true` Opsional Nilai valid: `auto`, `true`, atau `false` Nilai default: `auto`
`unbias_label`	Label tidak bias sebelum pelatihan sehingga rata-ratanya adalah 0. Berlaku untuk regresi hanya jika `use_bias` hyperparameter disetel ke. `true` Opsional Nilai valid: `auto`, `true`, atau `false` Nilai default: `auto`
`use_bias`	Menentukan apakah model harus menyertakan istilah bias, yang merupakan suku intersep dalam persamaan linier. Opsional Nilai yang valid: `true` or `false` Nilai default: `true`
`use_lr_scheduler`	Apakah akan menggunakan penjadwal untuk tingkat pembelajaran. Jika Anda ingin menggunakan penjadwal, tentukan`true`. Opsional Nilai yang valid: `true` or `false` Nilai default: `true`
`wd`	Parameter peluruhan berat, juga dikenal sebagai parameter regularisasi L2. Jika Anda tidak ingin menggunakan regularisasi L2, atur nilainya ke 0. Opsional Nilai yang valid: `auto` atau bilangan bulat floating-point non-negatif Nilai default: `auto`

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Cara Kerjanya

Penyetelan Model