Iperparametri Linear Learner

La tabella seguente contiene gli iperparametri per l'algoritmo linear learner. Si tratta di parametri che vengono impostati dagli utenti per agevolare la stima dei parametri del modello dai dati. Gli iperparametri richiesti che devono essere impostati sono elencati prima, in ordine alfabetico. Gli iperparametri facoltativi che possono essere impostati sono elencato dopo, sempre in ordine alfabetico. Quando un iperparametro è impostato suauto, Amazon SageMaker calcolerà e imposterà automaticamente il valore di tale iperparametro.

Nome parametro	Descrizione
`num_classes`	Il numero di classi per la variabile di risposta. L'algoritmo presuppone che classi siano etichettate `0`, ..., `num_classes - 1`. Obbligatorio quando `predictor_type` è `multiclass_classifier`. In caso contrario, l'algoritmo lo ignora. Valori validi: i numeri interi compresi tra 3 e 1.000.000
`predictor_type`	Specifica il tipo di variabile di target come classificazione binaria, classificazione multiclasse o regressione. Campo obbligatorio Valori validi: `binary_classifier`, `multiclass_classifier` o `regressor`
`accuracy_top_k`	Quando si calcola il parametro di accuratezza top-k per la classificazione multiclasse, il valore di k. Se il modello assegna uno dei punteggi top-k all'etichetta true, un esempio viene valutato come corretto. Opzionale Valori validi: numeri interi positivi Valore predefinito: 3
`balance_multiclass_weights`	Specifica se utilizzare i pesi di classe, che attribuiscono a ciascuna classe uguale importanza nella funzione di perdita. Usato solo quando `predictor_type` è `multiclass_classifier`. Opzionale Valori validi: `true`, `false` Valore predefinito: `false`
`beta_1`	Tasso di decadimento esponenziale per stime di primo momento. Si applica solo quando il valore di `optimizer` è `adam`. Opzionale Valori validi: `auto` o un valore in virgola mobile compreso tra 0 e 1,0 Valore predefinito: `auto`
`beta_2`	Tasso di decadimento esponenziale per stime di secondo momento. Si applica solo quando il valore di `optimizer` è `adam`. Opzionale Valori validi: `auto` o un numero intero in virgola mobile compreso tra 0 e 1,0 Valore predefinito: `auto`
`bias_lr_mult`	Consente un tasso di apprendimento diverso per il termine bias. La velocità di apprendimento effettiva per il bias è `learning_rate` * `bias_lr_mult`. Opzionale Valori validi: `auto` o un numero intero positivo in virgola mobile Valore predefinito: `auto`
`bias_wd_mult`	Consente una regolarizzazione differente per il termine bias. Il peso di regolarizzazione L2 effettivo per il bias è `wd` * `bias_wd_mult`. Per impostazione predefinita non c'è alcuna regolarizzazione sul termine bias. Opzionale Valori validi: `auto` o un numero intero non negativo in virgola mobile Valore predefinito: `auto`
`binary_classifier_model_selection_criteria`	Quando `predictor_type` è impostato su `binary_classifier`, i criteri di valutazione del modello per il set di dati di convalida (o per il set di dati di training se non specifichi un set di dati di convalida). I criteri includono: `accuracy`: modello con la massima precisione. `f_beta`: modello con il massimo punteggio F1. Il valore predefinito è F1. `precision_at_target_recall`: modello con la precisione maggiore in un determinato target di richiamo. `recall_at_target_precision`: modello con il richiamo maggiore in un determinato target di precisione. `loss_function`: modello con il valore più basso della funzione di perdita utilizzata nell'addestramento. Opzionale Valori validi: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision` o `loss_function` Valore predefinito: `accuracy`
`early_stopping_patience`	Se non vengono apportati miglioramenti nel parametro rilevante, il numero di epoche (Unix epochs) da aspettare prima di terminare il training. Se hai fornito un valore per `binary_classifier_model_selection_criteria`, il parametro è questo valore. In caso contrario, il parametro è lo stesso valore specificato per l'iperparametro `loss`. Il parametro viene valutato nei dati di convalida. Se non sono stati forniti dati di convalida, il parametro è sempre uguale al valore specificato per l'iperparametro `loss` e viene valutato sui dati di training. Per disabilitare l'arresto precoce, imposta `early_stopping_patience` su un valore maggiore del valore specificato per `epochs`. Opzionale Valori validi: numeri interi positivi Valore predefinito: 3
`early_stopping_tolerance`	La tolleranza relativa per misurare un miglioramento nella perdita. Se il rapporto tra il miglioramento nella perdita, diviso per la perdita migliore precedente è inferiore a questo valore, l'arresto precoce considera il miglioramento come zero. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,001
`epochs`	Numero massimo di passate sui dati di training. Opzionale Valori validi: numeri interi positivi Valore predefinito: 15
`f_beta`	Il valore della beta da utilizzare quando si calcolano i parametri del punteggio F per la classificazione binaria o multiclasse. Viene utilizzato anche se il valore specificato per `binary_classifier_model_selection_criteria` è `f_beta`. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
`feature_dim`	Il numero di caratteristiche nei dati di input. Opzionale Valori validi: `auto` o numero intero positivo Valori predefiniti: `auto`
`huber_delta`	Il parametro per la perdita Huber. Durante il training e la valutazione del parametro, calcola la perdita L2 per gli errori di dimensioni inferiori rispetto a delta e la perdita L1 per gli errori di dimensioni superiori a delta. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
`init_bias`	Peso iniziale per il termine bias. Opzionale Valori validi: numeri interi in virgola mobile Valore predefinito: 0
`init_method`	Imposta la funzione di distribuzione iniziale utilizzata per i pesi del modello. Le funzioni includono: `uniform`: distribuito uniformemente tra (-scale, +scale) `normal`: distribuzione normale, con media 0 e sigma Opzionale Valori validi: `uniform` o `normal` Valore predefinito: `uniform`
`init_scale`	Ridimensiona una distribuzione uniforme iniziale per i pesi del modello. Si applica solo quando l'iperparametro `init_method` è impostato su `uniform`. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,07
`init_sigma`	La deviazione standard iniziale per la distribuzione normale. Si applica solo quando l'iperparametro `init_method` è impostato su `normal`. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,01
`l1`	Il parametro di regolarizzazione L1. Se non vuoi usare la regolarizzazione L1, imposta il valore su 0. Opzionale Valori validi: `auto` o float non negativo Valore predefinito: `auto`
`learning_rate`	L'incremento utilizzato dall'ottimizzatore per gli aggiornamenti dei parametri. Opzionale Valori validi: `auto` o un numero intero positivo in virgola mobile Valore predefinito: `auto`, il cui valore dipende dall'ottimizzatore scelto.
`loss`	Specifica la funzione di perdita. Le funzioni di perdita disponibili e i relativi valori predefiniti dipendono dal valore di `predictor_type`: Se `predictor_type` è impostato su `regressor`, le opzioni disponibili sono `auto`, `squared_loss`, `absolute_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` e `huber_loss`. Il valore predefinito per `auto` è `squared_loss`. Se `predictor_type` è impostato su `binary_classifier`, le opzioni disponibili sono `auto`, `logistic` e `hinge_loss`. Il valore predefinito per `auto` è `logistic`. Se `predictor_type` è impostato su `multiclass_classifier`, le opzioni disponibili sono `auto` e `softmax_loss`. Il valore predefinito per `auto` è `softmax_loss`. Valori validi: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` o `huber_loss` Opzionale Valore predefinito: `auto`
`loss_insensitivity`	Il parametro per tipo di perdita epsilon-insensitive. Durante il training e la valutazione del parametro, qualsiasi errore di dimensioni inferiori a questo valore è considerato come zero. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,01
`lr_scheduler_factor`	Per ogni iperparametro `lr_scheduler_step`, la velocità di apprendimento diminuisce di questa quantità. Si applica solo quando l'iperparametro `use_lr_scheduler` è impostato su `true`. Opzionale Valori validi: `auto` o un numero intero positivo in virgola mobile compreso tra 0 e 1 Valore predefinito: `auto`
`lr_scheduler_minimum_lr`	La velocità di apprendimento non viene mai diminuita su un valore inferiore al valore impostato per `lr_scheduler_minimum_lr`. Si applica solo quando l'iperparametro `use_lr_scheduler` è impostato su `true`. Opzionale Valori validi: `auto` o un numero intero positivo in virgola mobile Valori predefiniti: `auto`
`lr_scheduler_step`	Il numero di fasi tra diminuzioni del tasso di apprendimento. Si applica solo quando l'iperparametro `use_lr_scheduler` è impostato su `true`. Opzionale Valori validi: `auto` o numero intero positivo Valore predefinito: `auto`
`margin`	Il margine per la funzione `hinge_loss`. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
`mini_batch_size`	Il numero di osservazioni per ogni mini batch per l'iterazione di dati. Opzionale Valori validi: numeri interi positivi Valore predefinito: 1000
`momentum`	Il momento dell'ottimizzatore `sgd`. Opzionale Valori validi: `auto` o un numero intero in virgola mobile compreso tra 0 e 1,0 Valore predefinito: `auto`
`normalize_data`	Normalizza i dati delle caratteristiche prima del training. La normalizzazione dei dati sposta i dati per ogni caratteristica in modo da avere una media di zero e la dimensiona per avere una deviazione standard dell'unità. Opzionale Valori validi: `auto`, `true` o `false` Valore predefinito: `true`
`normalize_label`	Normalizza l'etichetta. La normalizzazione sposta l'etichetta in modo da avere una media pari a zero e la ridimensiona per avere la deviazione di unità standard. Il valore predefinito `auto` normalizza l'etichetta per i problemi di regressione, ma non per i problemi di classificazione. Se imposti l'iperparametro `normalize_label` su `true` per i problemi di classificazione, l'algoritmo lo ignora. Opzionale Valori validi: `auto`, `true` o `false` Valore predefinito: `auto`
`num_calibration_samples`	Il numero di osservazioni del set di dati di convalida da usare per la calibrazione del modello (per trovare la soglia migliore). Opzionale Valori validi: `auto` o numero intero positivo Valore predefinito: `auto`
`num_models`	Il numero di modelli da sottoporre al training in parallelo. Per impostazione predefinita `auto`, l'algoritmo decide il numero di modelli da preparare. Un modello viene preparato in base al parametro di training specificato (regolarizzazione, ottimizzatore, perdita) e gli altri in base a parametri chiusi. Opzionale Valori validi: `auto` o numero intero positivo Valori predefiniti: `auto`
`num_point_for_scaler`	Il numero di punti di dati da utilizzare per calcolare la normalizzazione o l'eliminazione del bias dei termini. Opzionale Valori validi: numeri interi positivi Valore predefinito: 10,000
`optimizer`	L'algoritmo di ottimizzazione da usare. Opzionale Valori validi: `auto`: valore predefinito. `sgd`: discesa stocastica del gradiente. `adam`: stima del momento adattivo. `rmsprop`: tecnica di ottimizzazione basata sui gradienti che utilizza una media mobile di gradienti quadrati per normalizzare il gradiente. Valore predefinito: `auto`. L'impostazione predefinita per `auto` è `adam`.
`positive_example_weight_mult`	Il peso assegnato a esempi positivi durante il training di un classificatore binario. Il peso di esempi negativi è fissato a 1. Se l'algoritmo dovrà scegliere un peso in modo che gli errori di classificazione degli esempi negativi rispetto ai positivi abbiano lo stesso impatto nella perdita di training, specifica `balanced`. Se vuoi che l'algoritmo scelga il peso che ottimizza le prestazioni, specifica `auto`. Opzionale Valori validi: `balanced`, `auto` o un numero intero positivo in virgola mobile Valore predefinito: 1.0
`quantile`	Il quantile per la perdita quantile. Per quantile q, il modello cerca di generare le previsioni in modo tale che il valore di `true_label` sia superiore alla previsione con probabilità q. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1 Valore predefinito: 0.5
`target_precision`	La precisione di target. Se `binary_classifier_model_selection_criteria` è `recall_at_target_precision`, la precisione viene mantenuta a questo valore durante la massimizzazione della richiamata. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1.0 Valore predefinito: 0,8
`target_recall`	La richiamata di target. Se `binary_classifier_model_selection_criteria` è `precision_at_target_recall`, la richiamata viene mantenuta a questo valore durante la massimizzazione della precisione. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1.0 Valore predefinito: 0,8
`unbias_data`	Toglie il bias dalle caratteristiche prima del training in modo che la media sia pari a 0. Per impostazione predefinita i dati non sono bias in quanto l'iperparametro `use_bias` è impostato su `true`. Opzionale Valori validi: `auto`, `true` o `false` Valore predefinito: `auto`
`unbias_label`	Toglie il bias dalle etichette prima del training in modo che la media sia pari a 0. Si applica solo alla regressione se l'iperparametro `use_bias` è impostato su `true`. Opzionale Valori validi: `auto`, `true` o `false` Valore predefinito: `auto`
`use_bias`	Specifica se il modello deve includere un termine bias, che è il termine di intercettazione nell'equazione lineare. Opzionale Valori validi: `true` o `false` Valore predefinito: `true`
`use_lr_scheduler`	Indica se usare un pianificatore per la velocità di apprendimento. Se vuoi utilizzare un pianificatore, specifica `true`. Opzionale Valori validi: `true` o `false` Valore predefinito: `true`
`wd`	Il parametro di decadimento del peso, noto anche come parametro di regolarizzazione L2. Se non vuoi usare la regolarizzazione L2, imposta il valore su 0. Opzionale Valori validi: `auto` o un numero intero non negativo in virgola mobile Valore predefinito: `auto`

Avvertimento JavaScript è disabilitato o non è disponibile nel tuo browser.

Per usare la documentazione AWS, JavaScript deve essere abilitato. Consulta le pagine della guida del browser per le istruzioni.

Convenzioni dei documenti

Come funziona

Ottimizzazione del modello