Menyetel Model Object2Vec

Penyetelan model otomatis, juga dikenal sebagai tuning hyperparameter, menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan yang menguji berbagai hiperparameter pada kumpulan data Anda. Anda memilih hyperparameters yang dapat disetel, rentang nilai untuk masing-masing, dan metrik objektif. Untuk metrik objektif, Anda menggunakan salah satu metrik yang dihitung oleh algoritme. Penyetelan model otomatis mencari hiperparameter yang dipilih untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik objektif.

Untuk informasi selengkapnya tentang penyetelan model, lihatLakukan Penyetelan Model Otomatis dengan SageMaker.

Metrik Dihitung oleh Algoritma Object2Vec

Algoritma Object2Vec memiliki metrik klasifikasi dan regresi. output_layerJenis menentukan metrik mana yang dapat Anda gunakan untuk penyetelan model otomatis.

Metrik Regressor Dihitung oleh Algoritma Object2Vec

Algoritma melaporkan metrik regressor kesalahan kuadrat rata-rata, yang dihitung selama pengujian dan validasi. Saat menyetel model untuk tugas regresi, pilih metrik ini sebagai tujuannya.

Nama Metrik	Deskripsi	Arah Optimasi
test:mean_squared_error	Kesalahan Persegi Rata-Rata	Minimalkan
validation:mean_squared_error	Kesalahan Persegi Rata-Rata	Minimalkan

Metrik Klasifikasi Dihitung oleh Algoritma Object2Vec

Algoritma Object2Vec melaporkan akurasi dan metrik klasifikasi lintas entropi, yang dihitung selama pengujian dan validasi. Saat menyetel model untuk tugas klasifikasi, pilih salah satunya sebagai tujuan.

Nama Metrik	Deskripsi	Arah Optimasi
test:accuracy	Akurasi	Maksimalkan
test:cross_entropy	Entropi silang	Minimalkan
validation:accuracy	Akurasi	Maksimalkan
validation:cross_entropy	Entropi silang	Minimalkan

Hiperparameter Object2Vec yang Dapat Disetel

Anda dapat menyetel hyperparameters berikut untuk algoritma Object2Vec.

Nama Hyperparameter	Jenis Hyperparameter	Rentang dan Nilai yang Direkomendasikan
dropout	ContinuousParameterRange	MinValue: 0.0, MaxValue: 1.0
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: 300
enc1_cnn_filter_width	IntegerParameterRange	MinValue: 1, MaxValue: 5
enc1_layers	IntegerParameterRange	MinValue: 1, MaxValue: 4
enc1_token_embedding_dim	IntegerParameterRange	MinValue: 5, MaxValue: 300
epochs	IntegerParameterRange	MinValue: 4, MaxValue: 20
learning_rate	ContinuousParameterRange	MinValue: 1e-6, MaxValue: 1.0
mini_batch_size	IntegerParameterRange	MinValue: 1, MaxValue: 8192
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