Optimieren eines RCF-Modells - Amazon SageMaker

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 RCF-Modells

Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells durch die Ausführung zahlreicher Aufgaben, 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.

Das Amazonas SageMaker Beim RCF-Algorithmus handelt es sich um einen nicht überwachten Algorithmus zur Anomalie-Erkennung, der ein gekennzeichnetes Testdataset zur Hyperparameteroptimierung erfordert. RCF berechnet Anomaliebewertungen für Testdatenpunkte und kennzeichnet die Datenpunkte anschließend als anormal, wenn ihre Bewertungen drei Standardabweichungen vom Mittelwert überschreiten. Dies wird als 3-Sigma-Limit-Heuristik bezeichnet. Die F1-Bewertung basiert auf der Differenz zwischen berechneten und tatsächlichen Kennzeichnungen. Der Auftrag zur Hyperparameteroptimierung sucht das Modell, das die Bewertung maximiert. Der Erfolg der Hyperparameteroptimierung hängt von der Anwendbarkeit der 3-Sigma-Limit-Heuristik auf das Testdataset ab.

Weitere Informationen zu Modelloptimierung finden Sie unter Führen Sie eine automatische Modelloptimierung durch mit SageMaker.

Vom RCF-Algorithmus berechnete Metriken

Der RCF-Algorithmus berechnet die folgende Metrik während der Schulung. Wählen Sie diese Metrik beim Optimieren des Modells als objektive Metrik aus.

Metrikname Beschreibung Optimierungsrichtung
test:f1

Die F1-Bewertung für den Testdatensatz, basierend auf der Differenz zwischen berechneten und tatsächlichen Kennzeichnungen.

Maximieren

Optimierbare RCF-Hyperparameter

Sie können ein RCF-Modell mit den folgenden Hyperparametern optimieren.

Parametername Parametertyp Empfohlene Bereiche
num_samples_per_tree

IntegerParameterRanges

MinValue: 1, MaxValue: 2048

num_trees

IntegerParameterRanges

MinValue: 50, MaxValue: 1000