Ajuste de un modelo Object2Vec

El ajuste de modelo automático, también conocido como ajuste de hiperparámetros, encuentra la mejor versión de un modelo ejecutando muchas tareas que probar una serie de hiperparámetros en su conjunto de datos. Usted elige los hiperparámetros que pueden ajustarse, un rango de valores para cada uno de ellos y una métrica objetiva. Para la métrica objetiva, utilice una de las métricas que el algoritmo calcula. El ajuste de modelos automático busca los hiperparámetros elegidos para encontrar la combinación de valores que dan lugar a un modelo que optimiza la métrica objetivo.

Para obtener más información acerca del ajuste de modelos, consulte Realice un ajuste automático del modelo con SageMaker.

Métricas calculadas por el algoritmo Object2Vec

El algoritmo Object2Vec tiene métricas de clasificación y regresión. El tipo output_layer determina qué métrica puede utilizar para ajuste del modelo automático.

Métricas de regresor calculadas por el algoritmo Object2Vec

El algoritmo registra una métrica regresor de error cuadrático medio, que se calcula durante las pruebas y validación. Al ajustar el modelo para las tareas de regresión, elija esta métrica como el objetivo.

Nombre de métrica	Descripción	Dirección de optimización
test:mean_squared_error	Error cuadrado medio	Minimizar
validation:mean_squared_error	Error cuadrado medio	Minimizar

Métricas de clasificación calculadas por el algoritmo Object2Vec

El algoritmo Object2Vec notifica métricas de precisión y clasificación de entropía cruzada, que se calculan durante el ensayo y validación. Al ajustar el modelo para tareas de clasificación, elija una de estas métricas como objetivo.

Nombre de métrica	Descripción	Dirección de optimización
test:accuracy	Precisión	Maximizar
test:cross_entropy	Entropía cruzada	Minimizar
validation:accuracy	Precisión	Maximizar
validation:cross_entropy	Entropía cruzada	Minimizar

Hiperparámetros ajustables de Object2Vec

Puede ajustar los siguientes hiperparámetros para el algoritmo Object2Vec.

Nombre del hiperparámetro	Tipo de hiperparámetro	Rangos y valores recomendados
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, 8192 MaxValue
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