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.
Ajustar um TabTransformer modelo
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 e a métrica de avaliação são ambas atribuídas 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 TabTransformer hiperparâmetros.
-
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 escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica escolhida.
nota
O ajuste automático do modelo TabTransformer está disponível somente 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 TabTransformer
O SageMaker TabTransformer algoritmo 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 |
|---|---|---|---|
r2 |
r quadrado | maximizar | "metrics={'r2': (\\S+)}" |
f1_score |
entropia cruzada binária | maximizar | "metrics={'f1': (\\S+)}" |
accuracy_score |
entropia cruzada multiclasse | maximizar | "metrics={'accuracy': (\\S+)}" |
Hiperparâmetros ajustáveis TabTransformer
Ajuste o TabTransformer modelo com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior efeito na otimização das métricas de TabTransformer avaliação são:learning_rate,input_dim,n_blocks, attn_dropoutmlp_dropout, e. frac_shared_embed Para obter uma lista de todos os TabTransformer hiperparâmetros, consulteTabTransformer hiperparâmetros.
| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados |
|---|---|---|
learning_rate |
ContinuousParameterRanges | MinValue: 0,001, MaxValue: 0,01 |
input_dim |
CategoricalParameterRanges | [16, 32, 64, 128, 256, 512] |
n_blocks |
IntegerParameterRanges | MinValue: 1, MaxValue 12 |
attn_dropout |
ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,8 |
mlp_dropout |
ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,8 |
frac_shared_embed |
ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,5 |
