本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
Autopilot 支援不同的訓練模式及演算法來解決機器學習問題、報告品質以及目標指標，並在需要時自動使用交叉驗證。
訓練模式
SageMaker Autopilot 可以根據資料集大小自動選取訓練方法，也可以手動選取訓練方法。選擇如下：
-
整合–Autopilot 使用 AutoGluon
程式庫來訓練多個基本模型。為了找到適合您的資料集最佳組合，整合模式會以不同的模型與中繼參數設定來執行 10 次試驗。然後，Autopilot 會使用堆疊整合方法結合這些模型，以建立最佳的預測模型。如需 Autopilot 在表格式資料的整合模式下支援的演算法清單，請參閱下列演算法支援區段。 -
超參數最佳化 (HPO)–Autopilot 在您的資料集執行訓練任務時，使用 Bayesian 最佳化或多逼真度最佳化調整超參數，找到模型的最佳版本。HPO 模式選擇與您的資料集最相關的演算法，並選擇最佳的超參數範圍來調整您的模型。若要調整模型，HPO 模式最多可執行 100 次試驗 (預設值)，以尋找所選範圍內的最佳超參數設定。如果您的資料集大小小於 100 MB，Autopilot 將使用 Bayesian 最佳化。如果您的資料集大於 100 MB，Autopilot 會選擇多逼真度最佳化。
在多逼真度最佳化中，指標會持續從訓練容器中發出。針對選取的目標指標，效能不佳的試驗會提早停止。執行良好的試驗會分配更多資源。
如需 Autopilot 在 HPO 模式下支援的演算法清單，請參閱下列演算法支援區段。
-
自動–Autopilot 會根據您的資料集大小自動選擇整合模式或 HPO 模式。如果您的資料集大於 100 MB，Autopilot 會選擇 HPO。否則，它會選擇整合模式。在下列情況下，Autopilot 可能無法讀取您的資料集大小。
-
如果您為 AutoML 任務啟用 Virtual Private Cloud (VPC) 模式，但包含資料集的 S3 儲存貯體僅允許從 VPC 存取。
-
您的資料集的輸入 S3DataType 為
ManifestFile。 -
輸入的 S3Uri 包含超過 1000 個項目。
如果 Autopilot 無法讀取您的資料集大小，則預設會選擇 HPO 模式。
-
注意
若要取得最佳執行期與效能，請針對小於 100 MB 的資料集使用整合訓練模式。
演算法支援
在 HPO 模式，Autopilot 支援下列類型的機器學習演算法：
注意
您不需要指定用於處理機器學習問題的演算法。Autopilot 會自動選擇合適的算法進行訓練。
在整合模式下，Autopilot 支援以下類型的機器學習演算法：
-
LightGbM–使用具有梯度提升的樹型演算法的最佳化架構。該演算法使用在廣度而非深度上生長的樹，並且針對速度進行了高度最佳化。
-
CatBoost–使用樹型演算法與梯度提升的架構。針對處理分類變數進行最佳化。
-
XGBoost–使用樹型演算法與梯度提升的架構，深度增長，而不是廣度。
-
隨機樹系
–在資料的隨機子樣本使用多個決策樹並進行取代的樹型演算法。這些樹在每個層級被分成最佳節點。每棵樹的決策被平均在一起，以防止過度學習並改善預測。 -
Extra Tree
–在整個資料集使用多個決策樹的樹型演算法。樹在每個層級隨機分割。對每棵樹的決定進行平均，以防止過度學習並改善預測。與隨機樹系演算法相比，額外的樹會增加一定程度的隨機化。 -
線性模型
–使用線性方程式對觀測資料中兩個變數之間關係進行建模的架構。 -
神經網路火炬 – 使用 Pytorch
實作的神經網路模型。 -
神經網路 fast.ai–使用 fast.ai
實作的神經網路模型。
