Optimieren eines DeepAR-Modells

Die automatische Modelloptimierung, auch bekannt als Hyperparameteroptimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Datensatz testen. Sie wählen die optimierbaren Hyperparameter, eine Reihe von Werten für jeden Parameter und eine objektive Metrik aus. Sie wählen die objektive Metrik aus den Metriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.

Mehr Informationen über die Modelloptimierung finden Sie unter Führen Sie eine automatische Modelloptimierung durch mit SageMaker.

Vom DeepAR-Algorithmus berechnete Metriken

Der DeepAR-Algorithmus meldet drei Metriken, die während des Trainings berechnet werden. Wenn Sie ein Modell optimieren, wählen Sie eine dieser Metriken als objektive Metrik aus. Verwenden Sie für die objektive Metrik entweder die Prognosegenauigkeit in einem bereitgestellten Testkanal (empfohlen) oder den Verlust des Trainings. Empfehlungen für das Trainings-/Testaufteilung für den DeepAR-Algorithmus finden Sie unter Bewährte Methoden zur Nutzung des DeepAR-Algorithmus.

Metrikname	Beschreibung	Optimierungsrichtung
test:RMSE	Die Wurzel des mittleren quadratischen Prognosefehlers (Root Mean Square Error, RMSE) zwischen der Prognose und dem tatsächlichen Ziel, die für den Testdatensatz berechnet wurde.	Minimieren
test:mean_wQuantileLoss	Die für den Testdatensatz berechneten durchschnittlichen gesamten Quantilenverluste. Um zu steuern, welche Quantilen verwendet werden, legen Sie den test_quantiles-Hyperparameter fest.	Minimieren
train:final_loss	Der negative Log-Likelihood-Verlust des Trainings, der über die letzte Trainingsepoche für das Modell gemittelt wurde.	Minimieren

Optimierbare Hyperparameter für den DeepAR-Algorithmus

Optimieren Sie ein DeepAR-Modell mit den folgenden Hyperparametern. Die Hyperparameter mit den größten Auswirkungen für die objektiven DeepAR-Metriken lauten in absteigender Reihenfolge wie folgt: epochs, context_length, mini_batch_size, learning_rate und num_cells.

Name des Parameters	Parametertyp	Empfohlene Bereiche
epochs	IntegerParameterRanges	MinValue: 1,: 100 MaxValue
context_length	IntegerParameterRanges	MinValue: 1, MaxValue: 20
mini_batch_size	IntegerParameterRanges	MinValue: 32, MaxValue: 1028
learning_rate	ContinuousParameterRange	MinValue: 1e-5,: 1e-1 MaxValue
num_cells	IntegerParameterRanges	MinValue: 30,: 20 MaxValue
num_layers	IntegerParameterRanges	MinValue: 1, MaxValue: 8
dropout_rate	ContinuousParameterRange	MinValue: 0,00, MaxValue: 0,2
embedding_dimension	IntegerParameterRanges	MinValue: 1, MaxValue: 50