Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
L'ottimizzazione automatica dei modelli, nota anche come ottimizzazione degli iperparametri, trova la versione migliore di un modello eseguendo molti processi che testano un intervallo di iperparametri sul set di dati di addestramento e di convalida. L'ottimizzazione del modello si concentra sui seguenti iperparametri:
Nota
La funzione di perdita di apprendimento viene assegnata automaticamente in base al tipo di attività di classificazione, che è determinata dal numero di numeri interi univoci nella colonna dell'etichetta. Per ulteriori informazioni, consulta CatBoost iperparametri.
-
Una funzione di perdita di apprendimento da ottimizzare durante l’addestramento dei modelli
-
Un parametro di valutazione utilizzato per valutare le prestazioni del modello durante la convalida
-
Un insieme di iperparametri e un intervallo di valori per ciascuno da utilizzare quando si ottimizza automaticamente il modello
L'ottimizzazione automatica del modello ricerca gli iperparametri scelti per trovare la combinazione di valori che restituisce il modello che ottimizza il parametro di valutazione scelto.
Nota
L'ottimizzazione automatica del modello CatBoost è disponibile solo da Amazon SageMaker AI SDKs, non dalla console SageMaker AI.
Per ulteriori informazioni sull'ottimizzazione del modello, consulta Ottimizzazione automatica dei modelli con AI SageMaker .
Metriche di valutazione calcolate dall'algoritmo CatBoost
L' CatBoost algoritmo SageMaker AI calcola le seguenti metriche da utilizzare per la convalida del modello. Il parametro di valutazione viene assegnato automaticamente in base al tipo di attività di classificazione, che è determinata dal numero di numeri interi univoci nella colonna dell'etichetta.
| Nome parametro | Descrizione | Direzione dell'ottimizzazione | Modello regex |
|---|---|---|---|
RMSE |
radice dell'errore quadratico medio | minimizza | "bestTest = ([0-9\\.]+)" |
MAE |
media degli errori assoluti | minimizza | "bestTest = ([0-9\\.]+)" |
MedianAbsoluteError |
media degli errori assoluti | minimizza | "bestTest = ([0-9\\.]+)" |
R2 |
punteggio r2 | massimizza | "bestTest = ([0-9\\.]+)" |
Logloss |
entropia binaria incrociata | massimizza | "bestTest = ([0-9\\.]+)" |
Precision |
precision | massimizza | "bestTest = ([0-9\\.]+)" |
Recall |
recupero | massimizza | "bestTest = ([0-9\\.]+)" |
F1 |
punteggio f1 | massimizza | "bestTest = ([0-9\\.]+)" |
AUC |
punteggio auc | massimizza | "bestTest = ([0-9\\.]+)" |
MultiClass |
entropia incrociata multiclasse | massimizza | "bestTest = ([0-9\\.]+)" |
Accuracy |
accuratezza | massimizza | "bestTest = ([0-9\\.]+)" |
BalancedAccuracy |
precisione bilanciata | massimizza | "bestTest = ([0-9\\.]+)" |
CatBoost Iperparametri regolabili
Ottimizza il CatBoost modello con i seguenti iperparametri. Gli iperparametri che hanno il maggiore effetto sull'ottimizzazione delle metriche di CatBoost valutazione sono:learning_rate,, depth e. l2_leaf_reg random_strength Per un elenco di tutti gli CatBoost iperparametri, vedete. CatBoost iperparametri
| Nome parametro | Tipo parametro | Intervalli consigliati |
|---|---|---|
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 |
