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。
調整 LightGBM 模型
自動模型調校，又稱為超參數調校，會透過在您的訓練和驗證資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。模型調整著重於以下超參數：
注意
學習目標函式會基於分類任務的類型自動指派，該類型由標籤欄中的唯一整數數量決定。如需詳細資訊，請參閱LightGBM 超參數。
-
要在模型訓練期間最佳化的學習目標函式
-
用於在驗證期間評估模型效能的評估指標
-
自動調整模型時要使用的一組超參數和一系列值
自動模型調整會搜尋您指定的超參數，以找到產生可最佳化所選評估指標之模型的值組合。
注意
LightGBM 的自動模型調校只能從 Amazon 取得 SageMaker SDKs，不能從 SageMaker 主控台取得。
如需模型調校的詳細資訊，請參閱使用 自動模型調校 SageMaker。
LightGBM 演算法計算的評估指標
SageMaker LightGBM 演算法會運算下列指標，以用於模型驗證。評估指標會根據分類任務的類型自動指派，該類型由標籤欄中的唯一整數數目決定。
| 指標名稱 | 描述 | 最佳化方向 | 正則表達式 |
|---|---|---|---|
rmse |
均方根誤差 | 最小化 | "rmse: ([0-9\\.]+)" |
l1 |
平均值絕對誤差。 | 最小化 | "l1: ([0-9\\.]+)" |
l2 |
均方誤差 | 最小化 | "l2: ([0-9\\.]+)" |
huber |
Huber 損失 | 最小化 | "huber: ([0-9\\.]+)" |
fair |
Fair 損失 | 最小化 | "fair: ([0-9\\.]+)" |
binary_logloss |
二進位交叉熵 | 最大化 | "binary_logloss: ([0-9\\.]+)" |
binary_error |
二進位錯誤 | 最小化 | "binary_error: ([0-9\\.]+)" |
auc |
AUC | 最大化 | "auc: ([0-9\\.]+)" |
average_precision |
平均精確度分數 | 最大化 | "average_precision: ([0-9\\.]+)" |
multi_logloss |
多類交叉熵 | 最大化 | "multi_logloss: ([0-9\\.]+)" |
multi_error |
多類別錯誤分數 | 最小化 | "multi_error: ([0-9\\.]+)" |
auc_mu |
AUC-mu | 最大化 | "auc_mu: ([0-9\\.]+)" |
cross_entropy |
交叉熵 | 最小化 | "cross_entropy: ([0-9\\.]+)" |
可調光GBM超參數
使用下列超參數調整 LightGBM 模型。對最佳化光線GBM評估指標影響最大的超參數為：learning_rate、num_leaves、feature_fraction、bagging_fraction、 bagging_freqmax_depth和 min_data_in_leaf。如需所有 LightGBM 超參數的清單，請參閱 LightGBM 超參數。
| 參數名稱 | 參數類型 | 建議範圍 |
|---|---|---|
learning_rate |
ContinuousParameterRanges | MinValue：0.001， MaxValue：0.01 |
num_leaves |
IntegerParameterRanges | MinValue：10、 MaxValue：100 |
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：100 |
min_data_in_leaf |
IntegerParameterRanges | MinValue：10， MaxValue：200 |
