Hiperparâmetros da aprendizagem linear

A tabela a seguir contém os hiperparâmetros para o algoritmo de aprendizagem linear. Esses parâmetros são definidos pelos usuários para facilitar a estimativa dos parâmetros do modelo a partir dos dados. Os hiperparâmetros necessários que devem ser definidos são listados primeiro, em ordem alfabética. Os hiperparâmetros opcionais que podem ser configurados são listados em seguida, também em ordem alfabética. Quando um hiperparâmetro é definido comoauto, a Amazon calcula e define SageMaker automaticamente o valor desse hiperparâmetro.

Nome do parâmetro	Descrição
`num_classes`	O número de classes para a variável de resposta. O algoritmo assume que as classes estejam rotuladas como `0`, ..., `num_classes - 1`. Obrigatório quando `predictor_type` é `multiclass_classifier`. Caso contrário, o algoritmo o ignorará. Valores válidos: números inteiros de 3 a 1.000.000
`predictor_type`	Especifica o tipo de variável de destino como uma classificação binária, classificação multiclasse ou regressão. Obrigatório Valores válidos: `binary_classifier`, `multiclass_classifier` ou `regressor`
`accuracy_top_k`	Ao calcular a métrica de precisão top-k para classificação multiclasse, o valor de k. Se o modelo atribuir uma das pontuações top-k ao rótulo true, um exemplo será pontuado como correto. Opcional Valores válidos: números inteiros positivos Valor padrão: 3
`balance_multiclass_weights`	Especifica se pesos de classe devem ser usados, que dão a cada classe uma importância igual na função de perda. Usado somente quando `predictor_type` é `multiclass_classifier`. Opcional Valores válidos: `true`, `false` Valor padrão: `false`
`beta_1`	A taxa de degradação exponencial para estimativas de primeiro momento. Aplica-se apenas quando o valor `optimizer` é `adam`. Opcional Valores válidos: `auto` ou um valor de ponto flutuante entre 0 e 1,0 Valor padrão: `auto`
`beta_2`	A taxa de degradação exponencial para estimativas de segundo momento. Aplica-se apenas quando o valor `optimizer` é `adam`. Opcional Valores válidos: `auto` ou um número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: `auto`
`bias_lr_mult`	Permite uma taxa de aprendizagem diferente para o termo de desvio. A taxa real de aprendizagem para a polarização é `learning_rate` * `bias_lr_mult`. Opcional Valores válidos: `auto` ou um número inteiro positivo de ponto flutuante Valor padrão: `auto`
`bias_wd_mult`	Permite regularização diferente para o termo de desvio. O peso da regularização L2 real para a polarização é `wd` * `bias_wd_mult`. Por padrão, não há regularização no termo de polarização. Opcional Valores válidos: `auto` ou um número inteiro não negativo de ponto flutuante Valor padrão: `auto`
`binary_classifier_model_selection_criteria`	Quando `predictor_type` está definido como `binary_classifier`, o critério de avaliação do modelo para o conjunto de dados de validação (ou para o conjunto de dados de treinamento, se você não fornecer um conjunto de dados de validação). Os critérios incluem: `accuracy`—O modelo com a maior precisão. `f_beta`—O modelo com a maior pontuação F1. O padrão é F1. `precision_at_target_recall`—O modelo com a maior precisão em um determinado destino de recall. `recall_at_target_precision`—O modelo com o maior recall em um determinado destino de precisão. `loss_function`—O modelo com o valor mais baixo da função de perda usada no treinamento. Opcional Valores válidos: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision` ou `loss_function` Valor padrão: `accuracy`
`early_stopping_patience`	Se nenhuma melhoria for feita na métrica relevante, o número de epochs a aguardar antes de terminar o treinamento. Se você forneceu um valor para `binary_classifier_model_selection_criteria`, a métrica é esse valor. Caso contrário, a métrica é igual ao valor especificado para o hiperparâmetro `loss`. A métrica é avaliada nos dados de validação. Se você não forneceu dados de validação, a métrica é sempre o mesmo que o valor especificado para o hiperparâmetro `loss` e é avaliada nos dados de treinamento. Para desabilitar a interrupção precoce, defina `early_stopping_patience` como um valor maior que o valor especificado para `epochs`. Opcional Valores válidos: inteiro positivo Valor padrão: 3
`early_stopping_tolerance`	A tolerância relativa para medir uma melhoria na perda. Se a proporção for menor que esse valor (em relação à melhora na perda quando dividida pela melhor perda anterior), a interrupção precoce considerará que não houve melhora. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0.001
`epochs`	O número máximo de passagens nos dados de treinamento. Opcional Valores válidos: inteiro positivo Valor padrão: 15
`f_beta`	O valor do beta a ser usado ao calcular métricas de pontuação F para classificação binária ou de várias classes. Também usado se o valor especificado para `binary_classifier_model_selection_criteria` for `f_beta`. Opcional Valores válidos: números inteiros positivos de ponto flutuante Valor padrão: 1.0
`feature_dim`	O número de recursos nos dados de entrada. Opcional Valores válidos: `auto` ou um número inteiro positivo Valores padrão: `auto`
`huber_delta`	O parâmetro para a perda de Huber. Durante o treinamento e a avaliação da métrica, calcula a perda L2 para erros menores do que delta, bem como a perda L1 para erros maiores do que delta. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 1.0
`init_bias`	Peso inicial para o termo de polarização. Opcional Valores válidos: número inteiro de ponto flutuante Valor padrão: 0
`init_method`	Define a função de distribuição inicial usada para pesos de modelo. As funções incluem: `uniform`—Distribuído uniformemente entre (escala -, escala +) `normal`—Distribuição normal, com média 0 e sigma Opcional Valores válidos: `uniform` ou `normal` Valor padrão: `uniform`
`init_scale`	Dimensiona uma distribuição uniforme inicial para pesos de modelo. Aplicável apenas quando o hiperparâmetro `init_method` está definido como `uniform`. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0.07
`init_sigma`	O desvio padrão inicial para a distribuição normal. Aplicável apenas quando o hiperparâmetro `init_method` está definido como `normal`. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0,01
`l1`	O parâmetro de regularização L1. Se você não quiser usar a regularização L1, defina o valor como 0. Opcional Valores válidos: `auto` ou flutuante não negativo Valor padrão: `auto`
`learning_rate`	O tamanho da etapa usado pelo otimizador para atualizações de parâmetros. Opcional Valores válidos: `auto` ou um número inteiro positivo de ponto flutuante Valor padrão: `auto`, cujo valor depende do otimizador escolhido.
`loss`	Especifica a função de perda. As funções de perda disponíveis e seus valores padrão dependem do valor de `predictor_type`: Se `predictor_type` estiver definido como `regressor`, as opções disponíveis serão `auto`, `squared_loss`, `absolute_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` e `huber_loss`. O valor padrão para `auto` é `squared_loss`. Se `predictor_type` estiver definido como `binary_classifier`, as opções disponíveis serão `auto`,`logistic` e `hinge_loss`. O valor padrão para `auto` é `logistic`. Se `predictor_type` estiver definido como `multiclass_classifier`, as opções disponíveis serão `auto` e `softmax_loss`. O valor padrão para `auto` é `softmax_loss`. Valores válidos: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` ou `huber_loss` Opcional Valor padrão: `auto`
`loss_insensitivity`	O parâmetro para o tipo de perda insensível a épsilon. Durante o treinamento e a avaliação da métrica, qualquer erro menor do que esse valor será considerado zero. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0,01
`lr_scheduler_factor`	Para cada hiperparâmetro `lr_scheduler_step`, a taxa de aprendizagem é diminuída por essa quantidade. Aplicável apenas quando o hiperparâmetro `use_lr_scheduler` está definido como `true`. Opcional Valores válidos: `auto` ou um número inteiro positivo de ponto flutuante entre 0 e 1 Valor padrão: `auto`
`lr_scheduler_minimum_lr`	A taxa de aprendizagem nunca diminui para um valor menor que o valor definido para `lr_scheduler_minimum_lr`. Aplicável apenas quando o hiperparâmetro `use_lr_scheduler` está definido como `true`. Opcional Valores válidos: `auto` ou um número inteiro positivo de ponto flutuante Valores padrão: `auto`
`lr_scheduler_step`	O número de passos entre as diminuições da taxa de aprendizagem. Aplicável apenas quando o hiperparâmetro `use_lr_scheduler` está definido como `true`. Opcional Valores válidos: `auto` ou um número inteiro positivo Valor padrão: `auto`
`margin`	A margem para a função `hinge_loss`. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 1.0
`mini_batch_size`	O número de observações por minilote para o iterador de dados. Opcional Valores válidos: inteiro positivo Valor padrão: 1000
`momentum`	A dinâmica do otimizador `sgd`. Opcional Valores válidos: `auto` ou um número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: `auto`
`normalize_data`	Normaliza os dados do recurso antes do treinamento. A normalização de dados desloca os dados de cada recurso para ter uma média de zero e os dimensiona para ter um desvio padrão de unidade. Opcional Valores válidos: `auto`, `true` ou `false` Valor padrão: `true`
`normalize_label`	Normaliza o rótulo. A normalização de rótulos desloca o rótulo para ter uma média de zero e o dimensiona para ter um desvio padrão de unidade. O valor `auto` padrão normaliza o rótulo para problemas de regressão, mas não para problemas de classificação. Se você definir o hiperparâmetro `normalize_label` como `true` para problemas de classificação, o algoritmo o ignorará. Opcional Valores válidos: `auto`, `true` ou `false` Valor padrão: `auto`
`num_calibration_samples`	O número de observações do conjunto de dados de validação a ser usado para calibração do modelo (ao encontrar o melhor limite). Opcional Valores válidos: `auto` ou um número inteiro positivo Valor padrão: `auto`
`num_models`	O número de modelos para treinar em paralelo. Para o padrão, `auto`, o algoritmo decide o número de modelos paralelos a ser treinado. Um modelo é treinado de acordo com o parâmetro de treinamento indicado (regularização, otimizador e perda), e o restante, por parâmetros aproximados. Opcional Valores válidos: `auto` ou um número inteiro positivo Valores padrão: `auto`
`num_point_for_scaler`	O número de pontos de dados a serem usados para calcular a normalização ou a imparcialidade de termos. Opcional Valores válidos: inteiro positivo Valor padrão: 10,000
`optimizer`	O algoritmo de otimização a ser usado. Opcional Valores válidos: `auto`—O valor padrão. `sgd`—Descida de gradiente estocástica. `adam`—Estimativa de dinâmica adaptativa. `rmsprop`—Uma técnica de otimização baseada em gradiente que usa uma média móvel de gradientes quadrados para normalizar o gradiente. Valor padrão: `auto`. A configuração padrão para `auto` é `adam`.
`positive_example_weight_mult`	O peso atribuído a exemplos positivos ao treinar um classificador binário. O peso de exemplos negativos é fixado em 1. Se quiser que o algoritmo escolha um peso, de forma que os erros na classificação de exemplos negativos vs. positivos tenham impacto igual na perda de treinamento, especifique `balanced`. Se quiser que o algoritmo escolha o peso que otimiza o desempenho, especifique `auto`. Opcional Valores válidos: `balanced`, `auto` ou um número inteiro positivo de ponto flutuante Valor padrão: 1.0
`quantile`	O quantil para perda de quantil. Para o quantil q, o modelo tenta produzir previsões de modo que o valor de `true_label` seja maior que a previsão com probabilidade q. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1 Valor padrão: 0.5
`target_precision`	A precisão de destino. Se `binary_classifier_model_selection_criteria` for `recall_at_target_precision`, a precisão será mantida nesse valor enquanto o recall for maximizada. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: 0.8
`target_recall`	O recall de destino. Se `binary_classifier_model_selection_criteria` for `precision_at_target_recall` , o recall será mantido nesse valor enquanto a precisão estiver maximizada. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: 0.8
`unbias_data`	Imparcializa os recursos antes do treinamento para que a média seja 0. Por padrão, os dados são imparciais quando o hiperparâmetro `use_bias` está definido como `true`. Opcional Valores válidos: `auto`, `true` ou `false` Valor padrão: `auto`
`unbias_label`	Imparcializa os rótulos antes do treinamento para que a média seja 0. Aplica-se à regressão somente se o hiperparâmetro `use_bias` estiver definido como `true`. Opcional Valores válidos: `auto`, `true` ou `false` Valor padrão: `auto`
`use_bias`	Especifica se o modelo deve incluir um termo de polarização, que é o termo de interceptação na equação linear. Opcional Valores válidos: `true` ou `false` Valor padrão: `true`
`use_lr_scheduler`	Se um programador deve ou não ser usado para a taxa de aprendizagem. Se quiser usar um agendador, especifique `true`. Opcional Valores válidos: `true` ou `false` Valor padrão: `true`
`wd`	O parâmetro de degradação de peso, também conhecido como o parâmetro de regularização L2. Se você não quiser usar a regularização L2, defina o valor como 0. Opcional Valores válidos: `auto` ou um número inteiro não negativo de ponto flutuante Valor padrão: `auto`

Atenção O Javascript está desativado ou não está disponível no seu navegador.

Para usar a documentação da AWS, o Javascript deve estar ativado. Consulte as páginas de Ajuda do navegador para obter instruções.

Convenções do documento

Como funciona

Ajuste de modelos