Ajuste um GBM modelo Light - Amazon SageMaker
MetricsHiperparâmetros ajustáveis

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Ajuste um GBM modelo Light

O ajuste de modelo automático, 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 de treinamento e validação. O ajuste do modelo se concentra nos seguintes hiperparâmetros:

nota

A função de objetivo de aprendizagem é atribuída automaticamente com base no tipo de tarefa de classificação, que é determinado pelo número de números inteiros exclusivos na coluna do rótulo. Para obter mais informações, consulte GBMHiperparâmetros de luz.

  • Uma função de objetivo de aprendizado para otimizar durante o treinamento do modelo

  • Uma métrica de avaliação usada para avaliar o desempenho do modelo durante a validação

  • Um conjunto de hiperparâmetros e uma faixa de valores para cada um usar ao ajustar o modelo automaticamente

O ajuste de modelo automático pesquisa os seus hiperparâmetros especificados para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

nota

O ajuste automático do modelo para o Light GBM está disponível apenas na Amazon SageMaker SDKs, não no SageMaker console.

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

Métricas de avaliação calculadas pelo algoritmo Light GBM

O GBM algoritmo SageMaker Light calcula as seguintes métricas para usar na validação do modelo. A métrica de avaliação é atribuída automaticamente com base no tipo de tarefa de classificação, que é determinado pelo número de números inteiros exclusivos na coluna do rótulo.

Nome da métrica Descrição Direção de otimização Padrão Regex
rmse erro quadrático médio da raiz minimizar "rmse: ([0-9\\.]+)"
l1 erro absoluto médio minimizar "l1: ([0-9\\.]+)"
l2 erro quadrático médio minimizar "l2: ([0-9\\.]+)"
huber huber loss (perda de huber) minimizar "huber: ([0-9\\.]+)"
fair perda justa minimizar "fair: ([0-9\\.]+)"
binary_logloss entropia cruzada binária maximizar "binary_logloss: ([0-9\\.]+)"
binary_error erro binário minimizar "binary_error: ([0-9\\.]+)"
auc AUC maximizar "auc: ([0-9\\.]+)"
average_precision average precision score (pontuação de precisão média) maximizar "average_precision: ([0-9\\.]+)"
multi_logloss entropia cruzada multiclasse maximizar "multi_logloss: ([0-9\\.]+)"
multi_error pontuação de erro multiclasse minimizar "multi_error: ([0-9\\.]+)"
auc_mu AUC-mu maximizar "auc_mu: ([0-9\\.]+)"
cross_entropy entropia cruzada minimizar "cross_entropy: ([0-9\\.]+)"

Hiperparâmetros de luz GBM ajustáveis

Ajuste o GBM modelo Light com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior efeito na otimização das métricas de GBM avaliação do Light são:learning_rate,num_leaves,feature_fraction, bagging_fractionbagging_freq, e. max_depth min_data_in_leaf Para obter uma lista de todos os GBM hiperparâmetros de luz, consulteGBMHiperparâmetros de luz.

Nome do parâmetro Tipo de parâmetro Intervalos recomendados
learning_rate ContinuousParameterRanges MinValue: 0,001, MaxValue: 0,01
num_leaves IntegerParameterRanges MinValue: 10, MaxValue 10
feature_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue 1,0
bagging_fraction ContinuousParameterRanges MinValue: 0,1, MaxValue 1,0
bagging_freq IntegerParameterRanges MinValue: 0, MaxValue 10
max_depth IntegerParameterRanges MinValue: 15, MaxValue 10
min_data_in_leaf IntegerParameterRanges MinValue: 10, MaxValue 20