Configurações avançadas de construção de modelos

Ensembling — SageMaker aproveita a AutoGluon biblioteca para treinar vários modelos básicos. Para encontrar a melhor combinação para seu conjunto de dados, o modo ensemble executa de 5 a 10 ensaios com diferentes configurações de modelo e meta-parâmetros. Em seguida, esses modelos são combinados usando um método de conjunto de empilhamento para criar um modelo preditivo ideal. Para obter uma lista de algoritmos compatíveis com o modo de conjunto para dados tabulares, consulte a seção a seguir. Algoritmos

Otimização de hiperparâmetros (HPO) — SageMaker encontra a melhor versão de um modelo ajustando hiperparâmetros usando otimização bayesiana ou otimização multifidelidade enquanto executa trabalhos de treinamento em seu conjunto de dados. HPOO modo seleciona os algoritmos que são mais relevantes para seu conjunto de dados e seleciona a melhor variedade de hiperparâmetros para ajustar seus modelos. Para ajustar seus modelos, o HPO modo executa até 100 ensaios (padrão) para encontrar as configurações ideais dos hiperparâmetros dentro da faixa selecionada. Se o tamanho do conjunto de dados for menor que 100 MB, SageMaker use a otimização bayesiana. SageMaker escolhe a otimização de multifidelidade se seu conjunto de dados for maior que 100 MB.

Para obter uma lista de algoritmos compatíveis com o HPO modo para dados tabulares, consulte a Algoritmos seção a seguir.

Automático — escolhe SageMaker automaticamente o modo de agrupamento ou HPO o modo com base no tamanho do seu conjunto de dados. Se seu conjunto de dados for maior que 100 MB, SageMaker escolha o modo. HPO Caso contrário, ele escolhe o modo de agrupamento.

Light GBM — Uma estrutura otimizada que usa algoritmos baseados em árvore com aumento de gradiente. Esse algoritmo usa árvores que crescem em largura, em vez de profundidade, e é altamente otimizado para velocidade.

CatBoost— Uma estrutura que usa algoritmos baseados em árvore com aumento de gradiente. Otimizado para lidar com variáveis categóricas.

XGBoost— Uma estrutura que usa algoritmos baseados em árvore com aumento de gradiente que cresce em profundidade, em vez de amplitude.

Random Forest – Um algoritmo baseado em árvore que usa várias árvores de decisão em subamostras aleatórias dos dados com substituição. As árvores são divididas em nós ideais em cada nível. As decisões de cada árvore são calculadas em conjunto para evitar ajustes excessivos e melhorar as previsões.

Árvores extras – Um algoritmo baseado em árvore que usa várias árvores de decisão em todo o conjunto de dados. As árvores são divididas aleatoriamente em cada nível. As decisões de cada árvore são calculadas para evitar ajustes excessivos e melhorar as previsões. Árvores extras adicionam um grau de randomização em comparação com o algoritmo de floresta aleatória.

Modelos lineares – Uma estrutura que usa uma equação linear para modelar a relação entre duas variáveis nos dados observados.

Tocha de rede neural – Um modelo de rede neural implementado usando Pytorch.

Rede neural fast.ai – Um modelo de rede neural implementado usando fast.ai.

XGBoost— Um algoritmo de aprendizado supervisionado que tenta prever com precisão uma variável alvo combinando um conjunto de estimativas de um conjunto de modelos mais simples e mais fracos.

Algoritmo de aprendizado profundo — Um perceptron (MLP) multicamada e uma rede neural artificial de feedback. Esse algoritmo pode lidar com dados que não são linearmente separáveis.

Média móvel integrada autorregressiva (ARIMA) — Um modelo estocástico simples de série temporal que usa análise estatística para interpretar os dados e fazer previsões futuras. Esse algoritmo é útil para conjuntos de dados simples com menos de 100 séries temporais.

Rede Neural Convolucional - Regressão Quantílica (CNN-QR) — Um algoritmo de aprendizado supervisionado e proprietário que treina um modelo global a partir de uma grande coleção de séries temporais e usa um decodificador quantílico para fazer previsões. CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais.

DeepAr+ — Um algoritmo de aprendizado supervisionado proprietário para prever séries temporais escalares usando redes neurais recorrentes (RNNs) para treinar um único modelo em conjunto em todas as séries temporais. O DeepAR+ funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de recursos.

Série temporal não paramétrica (NPTS) — Um previsor de linha de base probabilístico e escalável que prevê a distribuição futura de valores de uma determinada série temporal por meio de amostragem de observações passadas. NPTSé útil ao trabalhar com séries temporais esparsas ou intermitentes (por exemplo, prever a demanda de itens individuais em que a série temporal tem muitos 0s ou contagens baixas).

Suavização exponencial (ETS) — Um método de previsão que produz previsões que são médias ponderadas de observações passadas em que os pesos das observações mais antigas diminuem exponencialmente. O algoritmo é útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade.

Prophet — Um modelo de regressão aditiva que funciona melhor com séries temporais que têm fortes efeitos sazonais e várias temporadas de dados históricos. O algoritmo é útil para conjuntos de dados com tendências de crescimento não lineares que se aproximam de um limite.