Ajustar um modelo BlazingText

O ajuste automático de modelos, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

Para mais informações sobre o ajuste de modelos, consulte Ajuste automático de modelos com o SageMaker.

Métricas calculadas pelo algoritmo BlazingText

O algoritmo Word2Vec BlazingText (modos skipgram, cbow e batch_skipgram) relata uma única métrica durante o treinamento: train:mean_rho. Esta métrica é calculada em conjuntos de dados de semelhança de palavras WS-353. Ao ajustar os valores de hiperparâmetros para o algoritmo Word2Vec, use essa métrica como o objetivo.

O algoritmo de Classificação de texto BlazingText (modo supervised), também relata uma única métrica durante o treinamento: validation:accuracy. Ao ajustar os valores de hiperparâmetros para o algoritmo de classificação de texto, use estas métricas como o objetivo.

Hiperparâmetros BlazingText ajustáveis

Hyperparameters ajustáveis para o algoritmo Word2Vec

Ajuste um modelo Word2Vec BlazingText do Amazon SageMaker com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de Word2Vec são: mode, learning_rate, window_size, vector_dim e negative_samples.

Hiperparâmetros ajustáveis para o algoritmo de classificação de texto

Ajuste um modelo de classificação de texto BlazingText do Amazon SageMaker com os seguintes hiperparâmetros.