Régler un modèle Object2Vec

Le réglage de modèle automatique, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Pour la métrique objective, vous utilisez l'une des métriques que l'algorithme calcule. Le réglage de modèle automatique recherche les hyperparamètres choisis pour trouver la combinaison des valeurs qui résultent dans le modèle optimisant la métrique d'objectif.

Pour plus d'informations sur le réglage de modèle, consultez Effectuez le réglage automatique du modèle avec SageMaker.

Métriques calculées par l'algorithme Object2Vec

L'algorithme Object2Vec comporte à la fois des métriques de classification et des métriques de régression. Le type output_layer détermine la métrique que vous pouvez utiliser pour le réglage de modèle automatique.

Métriques de régression calculées par l'algorithme Object2Vec

L'algorithme indique une métrique d'erreur quadratique moyenne pour la régression, calculée pendant les tests et la validation. Lors du réglage du modèle pour les tâches de régression, choisissez cette métrique comme objectif.

Nom de la métrique	Description	Orientation de l'optimisation
test:mean_squared_error	Erreur quadratique moyenne (RMSE)	Réduire
validation:mean_squared_error	Erreur quadratique moyenne (RMSE)	Réduire

Métriques de classification calculées par l'algorithme Object2Vec

L'algorithme Object2Vec rapporte les métriques de classification de précision et d'entropie croisée, calculées pendant les tests et la validation. Lors du réglage du modèle pour les tâches de classification, choisissez l'une d'elles comme objectif.

Nom de la métrique	Description	Orientation de l'optimisation
test:accuracy	Accuracy	Agrandir
test:cross_entropy	Entropie croisée	Réduire
validation:accuracy	Accuracy	Agrandir
validation:cross_entropy	Entropie croisée	Réduire

Hyper-paramètres Object2Vec réglables

Vous pouvez ajuster les hyperparamètres suivants pour l'algorithme Object2Vec.

Nom de l'hyperparamètre	Type de l'hyperparamètre	Plages et valeurs recommandées
dropout	ContinuousParameterRange	Valeur min. : 0, Valeur max. : 1
early_stopping_patience	IntegerParameterRange	Valeur min. : 1, valeur max. : 5
early_stopping_tolerance	ContinuousParameterRange	Valeur min. : 0,001, valeur max. : 0,1
enc_dim	IntegerParameterRange	Valeur min. : 4, valeur max. : 4096
enc0_cnn_filter_width	IntegerParameterRange	Valeur min. : 1, valeur max. : 5
enc0_layers	IntegerParameterRange	Valeur min. : 1, valeur max. : 4
enc0_token_embedding_dim	IntegerParameterRange	Valeur min. : 5, valeur max. : 300
enc1_cnn_filter_width	IntegerParameterRange	Valeur min. : 1, valeur max. : 5
enc1_layers	IntegerParameterRange	Valeur min. : 1, valeur max. : 4
enc1_token_embedding_dim	IntegerParameterRange	Valeur min. : 5, valeur max. : 300
epochs	IntegerParameterRange	Valeur min. : 4, valeur max. : 20
learning_rate	ContinuousParameterRange	Valeur min. : 1e-6, Valeur max. : 1,0
mini_batch_size	IntegerParameterRange	Valeur min. : 1, valeur max. : 8192
mlp_activation	CategoricalParameterRanges	[tanh, relu, linear]
mlp_dim	IntegerParameterRange	Valeur min. : 16, valeur max. : 1024
mlp_layers	IntegerParameterRange	Valeur min. : 1, valeur max. : 4
optimizer	CategoricalParameterRanges	[adagrad, adam, rmsprop, sgd, adadelta]
weight_decay	ContinuousParameterRange	Valeur min. : 0, Valeur max. : 1