Hyperparamètres de l'apprentissage linéaire

Le tableau suivant contient les hyper-paramètres pour l'algorithme d'apprentissage linéaire. Il s'agit des paramètres qui sont définis par les utilisateurs pour faciliter l'estimation des paramètres modèles issus des données. Les hyperparamètres requis qui doivent être définies sont les premiers répertoriés, dans l'ordre alphabétique. Les hyperparamètres facultatifs qui peuvent être définis sont répertoriés ensuite, également dans l'ordre alphabétique. Lorsqu'un hyperparamètre est défini sur auto, Amazon SageMaker calcule et définit automatiquement la valeur de cet hyperparamètre.

Nom du paramètre	Description
num_classes	Nombre de classes de la variable de réponse. L'algorithme suppose que les classes sont étiquetées 0, ..., num_classes - 1. Obligatoire quand predictor_type est multiclass_classifier. Dans le cas contraire, l'algorithme l'ignore. Valeurs valides : entiers compris entre 3 et 1 000 000
predictor_type	Spécifie le type de variable cible sous la forme de classification binaire, de classification multiclasse ou de régression. Obligatoire Valeurs valides : binary_classifier, multiclass_classifier ou regressor
accuracy_top_k	Lors du calcul de la métrique d'exactitude top-k pour la classification multiclasse, la valeur de k. Si le modèle attribue l'un des top-k scores à l'étiquette true, un exemple est marqué comme correct. Facultatif Valeurs valides : nombre entiers positifs Valeur par défaut : 3
balance_multiclass_weights	Spécifie s'il faut utiliser les pondérations de classe, qui donnent à chaque classe une importance égale dans la fonction perte (loss). Utilisé uniquement si le predictor_type est multiclass_classifier. Facultatif Valeurs valides : true, false Valeur par défaut : false
beta_1	Taux exponentiel de dégradation pour les estimations du premier moment. S'applique uniquement lorsque la valeur de optimizer est adam. Facultatif Valeurs valides : auto ou valeur à virgule flottante comprise entre 0 et 1,0 Valeur par défaut : auto
beta_2	Taux exponentiel de déclin pour les estimations du second moment. S'applique uniquement lorsque la valeur de optimizer est adam. Facultatif Valeurs valides : auto ou entier à virgule flottante compris entre 0 et 1,0 Valeur par défaut : auto
bias_lr_mult	Autorise un autre taux d'apprentissage pour le terme biaisé. Le taux d'apprentissage réel pour le biais est learning_rate * bias_lr_mult. Facultatif Valeurs valides : auto ou entier à virgule flottante positif Valeur par défaut : auto
bias_wd_mult	Autorise différentes régularisations pour le terme biaisé. La pondération réelle de la régularisation L2 pour le biais est wd * bias_wd_mult. Par défaut, il n'y a pas de régularisation sur le terme biaisé. Facultatif Valeurs valides : auto ou entier à virgule flottante non négatif Valeur par défaut : auto
binary_classifier_model_selection_criteria	Lorsque predictor_type a la valeur binary_classifier, les critères d'évaluation du modèle pour le jeu de données de validation (ou le jeu de données d'entraînement si vous ne fournissez pas d'ensemble de données de validation). Les critères comprennent : accuracy—Le modèle avec la plus haute précision. f_beta—Le modèle avec le score F1 le plus élevé. La valeur par défaut est F1. precision_at_target_recall—Le modèle avec la précision la plus élevée à une cible de rappel donnée. recall_at_target_precision—Le modèle avec le rappel le plus élevé à une cible de précision donnée. loss_function—Le modèle avec la valeur la plus basse de la fonction perte (loss) utilisée dans l'entraînement. Facultatif Valeurs valides : accuracy, f_beta, precision_at_target_recall, recall_at_target_precision ou loss_function Valeur par défaut : accuracy
early_stopping_patience	Si aucune amélioration n'est apportée à la métrique appropriée, le nombre de périodes (epoch) à attendre avant la fin de l'entraînement. Si vous avez fourni une valeur pour binary_classifier_model_selection_criteria, la métrique est cette valeur. Dans le cas contraire, la métrique est identique à la valeur indiquée pour l'hyperparamètre loss. La métrique est évaluée sur les données de validation. Si vous n'avez pas fourni de données de validation, la métrique est toujours identique à la valeur indiquée pour l'hyperparamètre loss et elle est évaluée sur les données d'entraînement. Pour désactiver l'arrêt anticipé, définissez early_stopping_patience avec une valeur supérieure à la valeur spécifiée pour epochs. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 3
early_stopping_tolerance	Tolérance relative pour mesurer une amélioration de la fonction perte (loss). Si le ratio d'amélioration de la fonction perte (loss) divisé par la meilleure perte précédente est inférieur à cette valeur, l'arrêt anticipé considère l'amélioration comme égale à zéro. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 0.001
epochs	Nombre maximal de passages sur les données d'entraînement. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 15
f_beta	La valeur bêta à utiliser lors du calcul des métriques de score F pour la classification binaire ou multiclasse. Également utilisé si la valeur spécifiée pour binary_classifier_model_selection_criteria est f_beta. Facultatif Valeurs valides : entiers à virgule flottante positifs Valeur par défaut : 1.0
feature_dim	Nombre de caractéristiques des données d'entrée. Facultatif Valeurs valides : auto ou entier positif Valeurs par défaut : auto
huber_delta	Paramètre pour la fonction de perte Huber. Pendant l'entraînement et l'évaluation des métriques, calculez la perte L2 pour les erreurs plus petites que delta et la perte L1 pour les erreurs supérieures à delta. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 1.0
init_bias	Pondération initiale pour le terme biaisé. Facultatif Valeurs valides : entier à virgule flottante Valeur par défaut : 0
init_method	Définit la fonction de distribution initiale utilisée pour les pondérations de modèle. Les fonctions incluent : uniform—Distribution uniforme entre (-scale, +scale) normal—Distribution normale, avec moyenne 0 et sigma Facultatif Valeurs valides : uniform ou normal Valeur par défaut : uniform
init_scale	Dimensionne une distribution uniforme initiale pour les pondérations de modèle. S'applique uniquement quand l'hyperparamètre init_method a la valeur uniform. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 0.07
init_sigma	Écart-type initial pour la distribution normale. S'applique uniquement quand l'hyperparamètre init_method a la valeur normal. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 0.01
l1	Paramètre de régularisation L1. Si vous ne voulez pas utiliser la régularisation L1, définissez la valeur sur 0. Facultatif Valeurs valides : auto ou flottante non négative Valeur par défaut : auto
learning_rate	Taille d'étape utilisée par l'optimiseur pour les mises à jour de paramètre. Facultatif Valeurs valides : auto ou entier à virgule flottante positif Valeur par défaut : auto, dont la valeur dépend de l'optimiseur choisi.
loss	Spécifie la fonction perte. Les fonctions perte disponibles et leurs valeurs par défaut dépendent de la valeur de predictor_type : Si predictor_type a la valeur regressor, les options disponibles sont auto, squared_loss, absolute_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss et huber_loss. La valeur par défaut de auto est squared_loss. Si predictor_type a la valeur binary_classifier, les options disponibles sont auto, logistic et hinge_loss. La valeur par défaut de auto est logistic. Si predictor_type a la valeur multiclass_classifier, les options disponibles sont auto et softmax_loss. La valeur par défaut de auto est softmax_loss. Valeurs valides : auto, logistic, squared_loss, absolute_loss, hinge_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss ou huber_loss Facultatif Valeur par défaut : auto
loss_insensitivity	Paramètre pour le type de perte insensible epsilon. Pendant l'entraînement et l'évaluation des métriques, toute erreur inférieure à cette valeur est considérée comme égale à zéro. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 0.01
lr_scheduler_factor	Pour chaque hyperparamètre lr_scheduler_step, le taux d'apprentissage est diminué de cette quantité. S'applique uniquement quand l'hyperparamètre use_lr_scheduler a la valeur true. Facultatif Valeurs valides : auto ou entier positif à virgule flottante compris entre 0 et 1 Valeur par défaut : auto
lr_scheduler_minimum_lr	Le taux d'apprentissage ne diminue jamais à une valeur inférieure à celle définie pour lr_scheduler_minimum_lr. S'applique uniquement quand l'hyperparamètre use_lr_scheduler a la valeur true. Facultatif Valeurs valides : auto ou entier à virgule flottante positif Valeurs par défaut : auto
lr_scheduler_step	Nombre d'étapes entre les diminutions du taux d'apprentissage. S'applique uniquement quand l'hyperparamètre use_lr_scheduler a la valeur true. Facultatif Valeurs valides : auto ou entier positif Valeur par défaut : auto
margin	Marge de la fonction hinge_loss. Facultatif Valeurs valides : entier à virgule flottante positif Valeur par défaut : 1.0
mini_batch_size	Nombre d'observations par mini-lot pour l'itérateur de données. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 1000
momentum	Vitesse de l'optimiseur sgd. Facultatif Valeurs valides : auto ou entier à virgule flottante compris entre 0 et 1,0 Valeur par défaut : auto
normalize_data	Normalise les données de fonction avant l'entraînement. La normalisation déplace les données de chaque fonction pour avoir une moyenne égale à zéro et les dimensionne pour avoir un écart type unitaire. Facultatif Valeurs valides : auto, true ou false Valeur par défaut : true
normalize_label	Normalise l'étiquette. La normalisation d'étiquette déplace l'étiquette pour obtenir une moyenne égale à 0 et la dimensionne pour avoir un écart type unitaire. La valeur auto par défaut normalise l'étiquette pour les problèmes de régression, mais pas pour les problèmes de classification. Si vous définissez l'hyperparamètre normalize_label avec la valeur true pour les problèmes de classification, l'algorithme l'ignore. Facultatif Valeurs valides : auto, true ou false Valeur par défaut : auto
num_calibration_samples	Nombre d'observations de l'ensemble de données de validation à utiliser pour le calibrage du modèle (lors de la recherche du meilleur seuil). Facultatif Valeurs valides : auto ou entier positif Valeur par défaut : auto
num_models	Nombre de modèles à entraîner en parallèle. Pour la valeur par défaut, auto, l'algorithme décide du nombre de modèles parallèles à entraîner. Un modèle est entraîné selon le paramètre d'entraînement donné (régularisation, optimiseur, perte), et le reste par les paramètres proches. Facultatif Valeurs valides : auto ou entier positif Valeurs par défaut : auto
num_point_for_scaler	Nombre de points de données à utiliser pour calculer la normalisation ou annuler le biais des termes. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 10,000
optimizer	Algorithme d'optimisation à utiliser. Facultatif Valeurs valides : auto—La valeur par défaut. sgd—Descente de gradient stochastique. adam—Estimation adaptative de la vitesse. rmsprop—Technique d'optimisation basée sur les gradients et qui utilise la moyenne mobile des carrés des gradients pour normaliser le gradient. Valeur par défaut : auto. Le paramètre par défaut pour auto est adam.
positive_example_weight_mult	Pondération attribuée aux exemples positifs lors de l'entraînement d'un classificateur binaire. La pondération d'exemples négatifs est fixée à 1. Si vous souhaitez que l'algorithme choisisse une pondération afin que les erreurs de classification des exemples négatifs et des exemples positifs aient le même impact sur la perte d'entraînement, spécifiez balanced. Si vous voulez que l'algorithme choisisse la pondération qui optimise les performances, spécifiez auto. Facultatif Valeurs valides : balanced, auto ou entier positif à virgule flottante Valeur par défaut : 1.0
quantile	Quantile pour la perte de quantile. Pour le quantile q, le modèle tente de produire des prédictions telles que la valeur de true_label soit supérieure à la prédiction avec la probabilité q. Facultatif Valeurs valides : entier à virgule flottante compris entre 0 et 1 Valeur par défaut : 0.5
target_precision	Précision de la cible. Si binary_classifier_model_selection_criteria a la valeur recall_at_target_precision, la précision est détenue à cette valeur tandis que le rappel est optimisé. Facultatif Valeurs valides : entier à virgule flottante compris entre 0 et 1.0 Valeur par défaut : 0.8
target_recall	Rappel de la cible. Si binary_classifier_model_selection_criteria a la valeur precision_at_target_recall, le rappel est détenu à cette valeur tandis que la précision est optimisée. Facultatif Valeurs valides : entier à virgule flottante compris entre 0 et 1.0 Valeur par défaut : 0.8
unbias_data	Annule le biais des caractéristiques avant l'entraînement si bien que la moyenne est 0. Par défaut, les données sont sans biais si l'hyperparamètre use_bias a la valeur true. Facultatif Valeurs valides : auto, true ou false Valeur par défaut : auto
unbias_label	Annule le biais des étiquettes avant l'entraînement si bien que la moyenne est 0. S'applique uniquement quand l'hyperparamètre use_bias a la valeur true. Facultatif Valeurs valides : auto, true ou false Valeur par défaut : auto
use_bias	Spécifie si le modèle doit inclure un terme biaisé, lequel est le terme d'interception de l'équation linéaire. Facultatif Valeurs valides : true ou false Valeur par défaut : true
use_lr_scheduler	Spécifie s'il faut utiliser un planificateur pour le taux d'apprentissage. Si vous souhaitez utiliser un planificateur, spécifiez true. Facultatif Valeurs valides : true ou false Valeur par défaut : true
wd	Paramètre weight decay, également connu sous le nom de paramètre de régularisation L2. Si vous ne voulez pas utiliser la régularisation L2, définissez la valeur sur 0. Facultatif Valeurs valides : auto ou entier à virgule flottante non négatif Valeur par défaut : auto