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。

調校 BlazingText 模型

自動模型調校，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。

如需模型調校的詳細資訊，請參閱使用 SageMaker AI 自動調校模型。

演算法運算的 BlazingText指標

BlazingText Word2Vec 演算法 (cbow、 skipgram和 batch_skipgram 模式） 會在訓練期間報告單一指標：train:mean_rho。此指標是根據 WS-353 word similarity datasets 運算。針對 Word2Vec 演算法調校超參數值時，請使用此指標做為目標。

BlazingText 文字分類演算法 (supervised 模式） 也會在訓練期間報告單一指標：validation:accuracy。針對文字分類演算法調校超參數值時，請使用這些指標做為目標。

可 BlazingText調校的超參數

Word2Vec 演算法可調校的超參數

使用下列超參數調校 Amazon SageMaker AI BlazingText Word2Vec 模型。對 Word2Vec 目標指標影響最大的超參數為：mode、 learning_rate、window_size、vector_dim 及 negative_samples。

文字分類演算法可調校的超參數

使用下列超參數調校 Amazon SageMaker AI BlazingText 文字分類模型。