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.
Iperparametri k-means
Nella richiesta CreateTrainingJob, specifichi l'algoritmo di addestramento che desideri utilizzare. Puoi anche specificare iperparametri specifici dell'algoritmo come mappe. string-to-string La tabella seguente elenca gli iperparametri per l'algoritmo di addestramento k-means fornito da Amazon SageMaker AI. Per ulteriori informazioni su come funzione k-means clustering, consulta Come funziona k-means clustering.
| Nome parametro | Descrizione |
|---|---|
feature_dim |
Il numero di caratteristiche nei dati di input. Campo obbligatorio Valori validi: numeri interi positivi |
k |
Il numero di cluster necessari. Campo obbligatorio Valori validi: numeri interi positivi |
epochs |
Il numero di pass sui dati di addestramento. Opzionale Valori validi: numeri interi positivi Valore predefinito: 1 |
eval_metrics |
Un elenco JSON dei tipi di parametro utilizzati per restituire un punteggio per il modello. I valori consentiti sono Opzionale Valori validi: Valore predefinito: |
extra_center_factor |
L'algoritmo crea K centers = Opzionale Valori validi: un numero intero o Valore predefinito: |
half_life_time_size |
Viene utilizzato per determinare il peso specificato per un'osservazione quando si calcola la media di un cluster. Questo peso decade esponenzialmente quando più punti vengono osservati. Quando un punto viene osservato per la prima volta, viene assegnato un peso pari a 1 quando si calcola la media del cluster. La costante di decadimento per la funzione di decadimento esponenziale viene scelta in modo che dopo l'osservazione dei punti Opzionale Valori validi: numeri interi non negativi Valore predefinito: 0 |
init_method |
Metodo con cui l'algoritmo sceglie i centri di cluster iniziali. L'approccio k-means standard li sceglie casualmente. Un metodo alternativo k-means ++ sceglie casualmente il primo centro di cluster. Quindi distribuisce la posizione dei restanti cluster iniziali pesando la selezione dei centri con una distribuzione di probabilità che è proporzionale al quadrato della distanza dei restanti punti di dati dai centri esistenti. Opzionale Valori validi: Valore predefinito: |
local_lloyd_init_method |
Il metodo di inizializzazione per la procedura di massimizzazione dell'aspettativa (EM, Expectation Maximization) di Lloyd utilizzato per creare il modello finale contenente i centri Opzionale Valori validi: Valore predefinito: |
local_lloyd_max_iter |
Il numero massimo di iterazioni per la procedura di massimizzazione dell'aspettativa (EM, Expectation Maximization) di Lloyd utilizzato per creare il modello finale contenente centri Opzionale Valori validi: numeri interi positivi Valore predefinito: 300 |
local_lloyd_num_trials |
Il numero di volte in cui viene eseguita la procedura di massimizzazione dell'aspettativa (EM) di Lloyd con la perdita minore quando si costruisce il modello finale contenente centri Opzionale Valori validi: un numero intero o Valore predefinito: |
local_lloyd_tol |
La tolleranza per il cambiamento di perdita per l'arresto precoce della procedura di massimizzazione dell'aspettativa (EM, Expectation Maximization) di Lloyd utilizzato per creare il modello finale contenente centri Opzionale Valori validi: Float. Intervallo in [0, 1]. Valore predefinito: 0.0001 |
mini_batch_size |
Il numero di osservazioni per ogni mini batch per l'iterazione di dati. Opzionale Valori validi: numeri interi positivi Valore predefinito: 5000 |
