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.

Ottimizzazione di un modello di macchina di fattorizzazione

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. Scegli gli iperparametri ottimizzabili, un intervallo di valori per ciascuno di essi e un parametro obiettivo. Puoi scegliere il parametro obiettivo tra i parametri calcolati dall'algoritmo. L'ottimizzazione automatica del modello ricerca gli iperparametri scelti per trovare la combinazione di valori che restituisce il modello che ottimizza il parametro obiettivo.

Per ulteriori informazioni sull'ottimizzazione del modello, consulta Esegui l'ottimizzazione automatica del modello con SageMaker.

Parametri calcolati dall'algoritmo delle macchine di fattorizzazione

L'algoritmo delle macchine di fattorizzazione ha entrambi i tipi di classificazione binaria e di previsione della regressione. Il tipo di previsione determina quale parametro puoi usare per l'ottimizzazione automatica del modello. L'algoritmo restituisce un parametro di regressione test:rmse che viene calcolato durante l’addestramento. Quando si ottimizza il modello per le attività di regressione, scegli questo parametro come obiettivo.

L'algoritmo delle macchine di fattorizzazione restituisce tre parametri di classificazione binaria che vengono calcolati durante l’addestramento. Quando ottimizzi il modello per le attività di classificazione binaria, scegli uno di questi parametri come obiettivo.

Iperparametri ottimizzabili delle macchine di fattorizzazione

Puoi ottimizzare i seguenti iperparametri per l'algoritmo delle macchine di fattorizzazione. I parametri di inizializzazione che contengono termini bias, lineari e di fattorizzazione dipendono dal metodo di inizializzazione. Esistono tre metodi di inizializzazione: uniform, normal e constant. Questi metodi di inizializzazione non sono direttamente ottimizzabili. I parametri ottimizzabili dipendono dalla scelta del metodo di inizializzazione. Ad esempio, se il metodo di inizializzazione è uniform, solo i parametri scale sono ottimizzabili. Nello specifico, se bias_init_method==uniform, bias_init_scale, linear_init_scale e factors_init_scale sono ottimizzabili. Analogamente, se il metodo di inizializzazione è normal, solo i parametri sigma sono ottimizzabili. Se il metodo di inizializzazione è constant, solo i parametri value sono ottimizzabili. Le dipendenze sono elencate nella tabella seguente.