Optimieren eines Object2Vec-Modells

Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die eine Bereich von Hyperparametern in Ihrem Dataset 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.

Weitere Informationen zu Modelloptimierung finden Sie unter Durchführen der automatischen Modelloptimierung 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, MaxValue: 1,0
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: 300
enc1_cnn_filter_width	IntegerParameterRange	MinValue: 1, MaxValue: 5
enc1_layers	IntegerParameterRange	MinValue: 1, MaxValue: 4
enc1_token_embedding_dim	IntegerParameterRange	MinValue: 5, MaxValue: 300
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	[tanh, relu, linear]
mlp_dim	IntegerParameterRange	MinValue: 16, MaxValue: 1024
mlp_layers	IntegerParameterRange	MinValue: 1, MaxValue: 4
optimizer	CategoricalParameterRanges	[adagrad, adam, rmsprop, sgd, adadelta]
weight_decay	ContinuousParameterRange	MinValue: 0,0, MaxValue: 1,0