Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Optimieren eines Object2Vec-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. Für die objektive Metrik verwenden Sie eine der Metriken, die der Algorithmus berechnet. Bei der automatischen Modelloptimierung werden die ausgewählten Hyperparameter durchsucht, um die Kombination von Werten zu finden, die zu dem Modell führen, das die objektive Metrik optimiert.
Mehr Informationen über die Modelloptimierung finden Sie unter Führen Sie eine automatische Modelloptimierung durch mit SageMaker.
Vom Object2Vec-Algorithmus berechnete Metriken
Der Object2Vec-Algorithmus verfügt sowohl über Klassifizierungs- als auch Regressionsmetriken. Der output_layer
-Typ bestimmt, welche Metrik Sie für die automatische Modelloptimierung verwenden können.
Vom Object2Vec-Algorithmus berechnete Regressormetriken
Der Algorithmus meldet eine Regressormetrik in Form eines mittleren quadratischen Fehlers, die während der Tests und Validierung berechnet wird. Wählen Sie diese Metrik beim Optimieren des Modells für Regressionsaufgaben als objektive Metrik aus.
Metrikname | Beschreibung | Optimierungsrichtung |
---|---|---|
test:mean_squared_error |
Mittlerer quadratischer Fehler |
Minimieren |
validation:mean_squared_error |
Mittlerer quadratischer Fehler |
Minimieren |
Vom Object2Vec-Algorithmus berechnete Klassifizierungsmetriken
Der Object2Vec-Algorithmus meldet Genauigkeits- und Kreuz-Entropie-Klassifizierungsmetriken, die bei den Tests und der Validierung berechnet werden. Beim Optimieren des Modell für Klassifizierungsaufgaben wählen Sie eine dieser Metriken als objektive Metrik aus.
Metrikname | Beschreibung | Optimierungsrichtung |
---|---|---|
test:accuracy |
Accuracy |
Maximieren |
test:cross_entropy |
Kreuz-Entropie |
Minimieren |
validation:accuracy |
Accuracy |
Maximieren |
validation:cross_entropy |
Kreuz-Entropie |
Minimieren |
Optimierbare Object2Vec-Hyperparameter
Sie können die folgenden Hyperparameter für den Object2Vec-Algorithmus optimieren.
Name des Hyperparameters | Typ des Hyperparameters | Empfohlene Bereiche und Werte |
---|---|---|
dropout |
ContinuousParameterRange |
MinValue: 0,0,: 1,0 MaxValue |
early_stopping_patience |
IntegerParameterRange |
MinValue: 1, MaxValue: 5 |
early_stopping_tolerance |
ContinuousParameterRange |
MinValue: 0,001, MaxValue: 0,1 |
enc_dim |
IntegerParameterRange |
MinValue: 4, MaxValue: 4096 |
enc0_cnn_filter_width |
IntegerParameterRange |
MinValue: 1, MaxValue: 5 |
enc0_layers |
IntegerParameterRange |
MinValue: 1, MaxValue: 4 |
enc0_token_embedding_dim |
IntegerParameterRange |
MinValue: 5, MaxValue: 30 |
enc1_cnn_filter_width |
IntegerParameterRange |
MinValue: 1, MaxValue: 5 |
enc1_layers |
IntegerParameterRange |
MinValue: 1, MaxValue: 4 |
enc1_token_embedding_dim |
IntegerParameterRange |
MinValue: 5, MaxValue: 30 |
epochs |
IntegerParameterRange |
MinValue: 4, MaxValue: 20 |
learning_rate |
ContinuousParameterRange |
MinValue: 1e-6, MaxValue: 1,0 |
mini_batch_size |
IntegerParameterRange |
MinValue: 1, MaxValue: 8192 |
mlp_activation |
CategoricalParameterRanges |
[ |
mlp_dim |
IntegerParameterRange |
MinValue: 16, MaxValue 1024 |
mlp_layers |
IntegerParameterRange |
MinValue: 1, MaxValue: 4 |
optimizer |
CategoricalParameterRanges | [ |
weight_decay |
ContinuousParameterRange |
MinValue: 0,0, MaxValue: 1,0 |