Optimieren eines IP Insights-Modells

Die automatische Modelloptimierung, auch als Hyperparameteroptimierung bezeichnet, sucht die beste Version eines Modells durch Ausführen vieler Aufträge, die eine Reihe 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 IP Insights-Algorithmus berechnete Metriken

Der Amazon SageMaker IP Insights-Algorithmus ist ein unbeaufsichtigter Lernalgorithmus, der Zusammenhänge zwischen IP-Adressen und Entitäten lernt. Der Algorithmus trainiert ein Diskriminatormodell, das lernt, separate beobachtete Datenpunkte (positive Stichproben) von zufällig generierte Datenpunkten (negative Stichproben) zu trennen. Die automatische Modelloptimierung in IP Insights unterstützt Sie dabei, das Modell zu finden, das zwischen unbezeichneten Validierungsdaten und automatisch generierten negativen Stichproben genau unterscheiden kann. Die Modellgenauigkeit im Validierungsdatensatz wird anhand der Fläche unter der Receiver Operating Characteristic-Kurve gemessen. Diese validation:discriminator_auc-Metrik kann Werte zwischen 0,0 und 1,0 annehmen, wobei 1,0 perfekte Genauigkeit bedeutet.

Der IP Insights-Algorithmus berechnet eine validation:discriminator_auc-Metrik während der Validierung. Der entsprechende Wert wird als objektive Funktion zur Unterstützung der Hyperparameter-Optimierung verwendet.

Metrikname	Beschreibung	Optimierungsrichtung
validation:discriminator_auc	Die Fläche unter der Receiver Operating Characteristic-Kurve auf dem Validierungsdatensatz. Der Validierungsdatensatz ist nicht bezeichnet. Die Fläche unter der Kurve (Area Under the Curve, AUC) ist eine Metrik zur Beschreibung der Fähigkeit des Modells, Validierungsdatenpunkte von zufällig generierten Datenpunkten zu unterscheiden.	Maximieren

Optimierbare IP Insights-Hyperparameter

Sie können die folgenden Hyperparameter für den SageMaker IP Insights-Algorithmus einstellen.

Name des Parameters	Parametertyp	Empfohlene Bereiche
epochs	IntegerParameterRange	MinValue: 1, MaxValue: 10
learning_rate	ContinuousParameterRange	MinValue: 1e-4, MaxValue: 0,1
mini_batch_size	IntegerParameterRanges	MinValue: 100, MaxValue: 5000
num_entity_vectors	IntegerParameterRanges	MinValue: 10000, MaxValue: 100000
num_ip_encoder_layers	IntegerParameterRanges	MinValue: 1, MaxValue: 10
random_negative_sampling_rate	IntegerParameterRanges	MinValue: 0, MaxValue: 10
shuffled_negative_sampling_rate	IntegerParameterRanges	MinValue: 0, MaxValue: 10
vector_dim	IntegerParameterRanges	MinValue: 8, MaxValue: 256
weight_decay	ContinuousParameterRange	MinValue: 0,0, MaxValue: 1,0