線形学習のハイパーパラメータ

線形学習者アルゴリズムのハイパーパラメータを以下の表に示します。これらは、データからモデルパラメータを推定しやすくするためにユーザが設定するパラメータです。設定の必要がある必須ハイパーパラメータは、アルファベット順に最初に一覧表示されています。設定可能なオプションのハイパーパラメータは、アルファベット順に次に一覧表示されています。ハイパーパラメータがに設定されている場合auto、Amazon SageMaker はそのハイパーパラメータの値を自動的に計算して設定します。

Parameter Name	説明
`num_classes`	レスポンス変数のクラス数。このアルゴリズムでは、クラスに `0`, ..., `num_classes - 1` のラベルが付けられていると想定します。 `predictor_type` が `multiclass_classifier` の場合、必須です。それ以外の場合、アルゴリズムはこれを無視します。有効な値: 3 ～ 1,000,000 の整数
`predictor_type`	ターゲット変数のタイプを、二項分類、複数クラス分類、または回帰として指定します。必須有効な値: `binary_classifier`、`multiclass_classifier`、または `regressor`
`accuracy_top_k`	複数クラス分類のトップ k 精度メトリクスを計算するときには、k の値。モデルがトップ k のスコアの 1 つを実際のラベルに割り当てる場合、サンプルは正しいものとしてスコア付けされます。オプション有効な値: 正の整数デフォルト値： 3
`balance_multiclass_weights`	クラスの重みを使用するかどうかを指定します。これにより、損失関数で各クラスの重要度が等しくなります。`predictor_type` が `multiclass_classifier` である場合にのみ使用されます。オプション有効な値: `true`、`false` デフォルト値: `false`
`beta_1`	最初のモーメントの見積もりの指数関数的減衰率。`optimizer` の値が `adam` のである場合にのみ適用されます。オプション有効な値 : `auto` または 0 ～ 1.0 の浮動小数点値デフォルト値: `auto`
`beta_2`	2 番目のモーメントの見積もりの指数関数的減衰率。`optimizer` の値が `adam` のである場合にのみ適用されます。オプション有効な値 : `auto` または 0 ～ 1.0 の浮動小数点整数デフォルト値: `auto`
`bias_lr_mult`	バイアス項に別の学習レートを許可します。バイアスの実際の学習レートは `learning_rate` * `bias_lr_mult` です。オプション有効な値: `auto` または正の浮動小数点整数デフォルト値: `auto`
`bias_wd_mult`	バイアス項に別の正規化を許可します。バイアスの L2 正規化の実際の重みは、`wd` * `bias_wd_mult` です。デフォルトでは、バイアス項に正規化はありません。オプション有効な値: `auto` または負でない浮動小数点整数デフォルト値: `auto`
`binary_classifier_model_selection_criteria`	`predictor_type` が `binary_classifier` に設定されている場合は、検証データセット (または検証データセットを指定していない場合はトレーニングデータセット) のモデル評価基準。基準は次のとおりです。 `accuracy` - 最も精度の高いモデル。 `f_beta` - F1 スコアが最も高いモデル。デフォルトは F1 です。 `precision_at_target_recall` - 指定された再現率目標で最も適合率の高いモデル。 `recall_at_target_precision` - 指定された適合率目標で最も再現率の高いモデル。 `loss_function` - トレーニングで使用される損失関数の値が最も低いモデル。オプション有効な値: `accuracy`、`f_beta`、`precision_at_target_recall`、`recall_at_target_precision`、または `loss_function` デフォルト値: `accuracy`
`early_stopping_patience`	関連するメトリクスが改善されない場合にトレーニングを終了するまでに待機するエポックの数。`binary_classifier_model_selection_criteria` に値を指定した場合、メトリクスはその値になります。それ以外の場合、メトリクスは `loss` ハイパーパラメータに指定された値と同じになります。メトリクスは検証データ上で評価されます。検証データを提供していない場合、メトリクスは常に `loss` ハイパーパラメータに指定された値と同じになり、トレーニングデータで評価されます。早期停止を無効にするには、`early_stopping_patience` を `epochs` に指定された値より大きい値に設定します。オプション有効な値: 正の整数デフォルト値： 3
`early_stopping_tolerance`	損失の改善を計測する相対的な許容値。損失改善率から前の最善の損失を除算した値がこの値よりも小さい場合、早期停止は改善がゼロであると見なします。オプション有効な値: 正の浮動小数点整数デフォルト値: 0.001
`epochs`	トレーニングデータへのパスの最大数。オプション有効な値: 正の整数デフォルト値: 15
`f_beta`	二項分類または複数クラス分類の F スコアメトリクスを計算するときに使用するベータの値。`binary_classifier_model_selection_criteria` に指定された値が `f_beta` である場合にも使用されます。オプション有効な値: 正の浮動小数点整数デフォルト値: 1.0
`feature_dim`	入力データ内の特徴の数。オプション有効な値: `auto` または正の整数デフォルト値: `auto`
`huber_delta`	Huber 損失のパラメータ。トレーニングとメトリクスの評価中、デルタより小さいエラーについては L2 損失、デルタより大きいエラーについては L1 損失を計算します。オプション有効な値: 正の浮動小数点整数デフォルト値: 1.0
`init_bias`	バイアス項の初期重み。オプション有効な値: 浮動小数点整数デフォルト値: 0
`init_method`	モデルの重み付けに使用される初期分布関数を設定します。関数は以下のとおりです。 `uniform` - (-スケール、+スケール) 間で均一に分布する `normal` - 平均が 0 でシグマを使用する正規分布オプション有効な値: `uniform` または `normal` デフォルト値: `uniform`
`init_scale`	モデルの重みに対して初期の uniform 分布をスケーリングします。`init_method` ハイパーパラメータが `uniform` に設定されている場合にのみ適用されます。オプション有効な値: 正の浮動小数点整数デフォルト値: 0.07
`init_sigma`	正規分布の初期標準偏差。`init_method` ハイパーパラメータが `normal` に設定されている場合にのみ適用されます。オプション有効な値: 正の浮動小数点整数デフォルト値: 0.01
`l1`	L1 正則化パラメータ。L1 正則化を使用しないようにするには、値を 0 に設定します。オプション有効な値: `auto` または負以外の浮動小数点数デフォルト値: `auto`
`learning_rate`	パラメータ更新のためにオプティマイザによって使用されるステップサイズ。オプション有効な値: `auto` または正の浮動小数点整数デフォルト値: `auto` (選択されているオプティマイザによって値が異なる)。
`loss`	損失関数を指定します。使用可能な損失関数とそのデフォルト値は、`predictor_type` の値によって異なります。 `predictor_type` が `regressor` に設定されている場合、使用可能なオプションは `auto`、`squared_loss`、`absolute_loss`、`eps_insensitive_squared_loss`、`eps_insensitive_absolute_loss`、`quantile_loss`、および `huber_loss` です。`auto` のデフォルト値は `squared_loss` です。 `predictor_type` が `binary_classifier` に設定されている場合、使用可能なオプションは `auto`、`logistic`、および `hinge_loss` です。`auto` のデフォルト値は `logistic` です。 `predictor_type` が `multiclass_classifier` に設定されている場合、使用可能なオプションは `auto` および `softmax_loss` です。`auto` のデフォルト値は `softmax_loss` です。有効な値: `auto`、`logistic`、`squared_loss`、`absolute_loss`、`hinge_loss`、`eps_insensitive_squared_loss`、`eps_insensitive_absolute_loss`、`quantile_loss`、または `huber_loss` オプションデフォルト値: `auto`
`loss_insensitivity`	イプシロンを区別しない損失タイプのパラメータ。トレーニングとメトリクスの評価中、この値より小さいエラーはゼロであると見なされます。オプション有効な値: 正の浮動小数点整数デフォルト値: 0.01
`lr_scheduler_factor`	`lr_scheduler_step` ハイパーパラメータごとに、学習レートはこの数量減少します。`use_lr_scheduler` ハイパーパラメータが `true` に設定されている場合にのみ適用されます。オプション有効な値 : `auto` または 0 ～ 1 の正の浮動小数点整数デフォルト値: `auto`
`lr_scheduler_minimum_lr`	学習レートは `lr_scheduler_minimum_lr` に設定された値より低い値まで減少することはありません。`use_lr_scheduler` ハイパーパラメータが `true` に設定されている場合にのみ適用されます。オプション有効な値: `auto` または正の浮動小数点整数デフォルト値: `auto`
`lr_scheduler_step`	学習レートの減少の間のステップの数。`use_lr_scheduler` ハイパーパラメータが `true` に設定されている場合にのみ適用されます。オプション有効な値: `auto` または正の整数デフォルト値: `auto`
`margin`	`hinge_loss` 関数のマージン。オプション有効な値: 正の浮動小数点整数デフォルト値: 1.0
`mini_batch_size`	データイテレーターのミニバッチごとの観測数。オプション有効な値: 正の整数デフォルト値: 1000
`momentum`	`sgd` オプティマイザのモーメンタム。オプション有効な値 : `auto` または 0 ～ 1.0 の浮動小数点整数デフォルト値: `auto`
`normalize_data`	トレーニング前に特徴を正規化します。データ正規化では、0 の平均を持つように各特徴のデータをシフトし、単位標準偏差を持つようにスケーリングします。オプション有効な値: `auto`、`true`、または `false` デフォルト値: `true`
`normalize_label`	ラベルを正規化します。ラベル正規化はゼロの平均を持つようにラベルをシフトし、単位標準偏差を持つようにスケーリングします。デフォルト値 `auto` では、ラベルは回帰問題に対して正規化されますが、分類問題に対しては正規化されません。分類問題において `normalize_label` ハイパーパラメータを `true` に設定した場合、アルゴリズムはそれを無視します。オプション有効な値: `auto`、`true`、または `false` デフォルト値: `auto`
`num_calibration_samples`	モデルのキャリブレーション (最適なしきい値を見つけるとき) のために使用する、検証データセットから取得した観測値の数。オプション有効な値: `auto` または正の整数デフォルト値: `auto`
`num_models`	並列でトレーニングするモデルの数。デフォルトの `auto` では、アルゴリズムが並列でトレーニングするモデルの数を決定します。1 つのモデルのトレーニングは指定されたトレーニングパラメータ (regularization、optimizer、loss) に従って行われ、その他はクローズパラメータによって行われます。オプション有効な値: `auto` または正の整数デフォルト値: `auto`
`num_point_for_scaler`	正規化の計算または項のバイアス解除に使用するデータポイントの数。オプション有効な値: 正の整数デフォルト値: 10,000
`optimizer`	使用する最適化アルゴリズム。オプション有効値: `auto` - デフォルト値。 `sgd` - 確率的勾配降下法。 `adam` - アダプティブモーメンタム推定。 `rmsprop` - 平方勾配の移動平均を使用して勾配を正規化する、勾配ベースの最適化手法。デフォルト値: `auto`。`auto` のデフォルトの設定は `adam` です。
`positive_example_weight_mult`	二項分類子をトレーニングするときに正のサンプルに割り当てられる重み。負の例の重みは 1 で固定されます。負の例と正の例を分類する際のエラーがトレーニング損失に等しい影響を与えるようにアルゴリズムに重みを選択させるには、`balanced` を指定します。アルゴリズムにパフォーマンスを最適化する重みを選択させるには、`auto` を指定します。オプション有効な値:`balanced`、`auto`、または正の浮動小数点整数デフォルト値: 1.0
`quantile`	分位損失の分位数。分位数 q については、モデルは `true_label` の値が確率 q の予測より大きくなるように予測を作成しようとします。オプション有効な値 : 0 ～ 1 の浮動小数点整数デフォルト値: 0.5
`target_precision`	目標適合率。`binary_classifier_model_selection_criteria` が `recall_at_target_precision` である場合、再現率は最大化される一方で、適合率はこの値で保持されます。オプション有効な値 : 0 ～ 1.0 の浮動小数点整数デフォルト値: 0.8
`target_recall`	目標再現率。`binary_classifier_model_selection_criteria` が `precision_at_target_recall` である場合、適合率は最大化される一方で、再現率はこの値で保持されます。オプション有効な値 : 0 ～ 1.0 の浮動小数点整数デフォルト値: 0.8
`unbias_data`	平均が 0 になるように、トレーニング前に特徴のバイアスを解除します。デフォルトでは、`use_bias` ハイパーパラメータが `true` に設定されると、データのバイアスは解除されます。オプション有効な値: `auto`、`true`、または `false` デフォルト値: `auto`
`unbias_label`	平均が 0 になるように、トレーニング前にラベルのバイアスを解除します。`use_bias` ハイパーパラメータが `true` に設定されている場合にのみ、回帰に適用されます。オプション有効な値: `auto`、`true`、または `false` デフォルト値: `auto`
`use_bias`	モデルにバイアス項 (線形方程式の切片項) を含めるかどうかを指定します。オプション有効な値: `true` または `false` デフォルト値: `true`
`use_lr_scheduler`	学習レートにスケジューラを使用するかどうか。スケジューラを使用するには、`true` を指定します。オプション有効な値: `true` または `false` デフォルト値: `true`
`wd`	重み付け減衰パラメータ。L2 正則化パラメータとも呼ばれます。L2 正則化を使用しないようにするには、値を 0 に設定します。オプション有効な値: `auto` または負でない浮動小数点整数デフォルト値: `auto`

ブラウザで JavaScript が無効になっているか、使用できません。

AWS ドキュメントを使用するには、JavaScript を有効にする必要があります。手順については、使用するブラウザのヘルプページを参照してください。

ドキュメントの表記規則

仕組み

モデルの調整