Ajustar un modelo RCF

El ajuste de modelo automático, también conocido como ajuste u optimización de hiperparámetros, encuentra la mejor versión de un modelo al ejecutar muchos trabajos que prueban 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. Puede elegir la métrica objetiva de las métricas que el algoritmo computa. El ajuste de modelo automático busca los hiperparámetros elegidos para encontrar la combinación de valores que obtienen el modelo que optimiza la métrica objetiva.

El algoritmo RCF de Amazon SageMaker AI es un algoritmo de detección de anomalías no supervisado que requiere un conjunto de datos de prueba etiquetado para la optimización de hiperparámetros. RCF calcula puntuaciones de anomalías para puntos de datos de prueba y, a continuación, etiqueta los puntos de datos como anómalos si sus puntuaciones van más allá de tres desviaciones estándar de la puntuación media. Esto se conoce como la heurística de límite de tres sigmas. La puntuación F1 se basa en la diferencia entre las etiquetas calculadas y las reales. El trabajo de ajuste de hiperparámetros encuentra el modelo que maximiza esa puntuación. El éxito de la optimización de hiperparámetros depende de la aplicabilidad de la heurística de límite de tres sigmas al conjunto de datos de prueba.

Para obtener más información acerca del ajuste de modelos, consulte Ajuste automático de modelos con IA SageMaker .

Métricas calculadas por el algoritmo RCF

El algoritmo RCF calcula la siguiente métrica durante la capacitación. Al ajustar el modelo, elija esta métrica como la métrica objetivo.

Nombre de métrica	Descripción	Dirección de optimización
test:f1	Puntuación F1 del conjunto de datos de prueba, que se basa en la diferencia entre las etiquetas calculadas y las reales.	Maximizar

Hiperparámetros de RCF ajustables

Puede ajustar un modelo RCF con los siguientes hiperparámetros.

Nombre del parámetro	Tipo de parámetro	Intervalos recomendados
num_samples_per_tree	IntegerParameterRanges	MinValue: 1, :2048 MaxValue
num_trees	IntegerParameterRanges	MinValue: 50, :1000 MaxValue