Menyetel RCF Model

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

SageMaker RCFAlgoritma Amazon adalah algoritma deteksi anomali tanpa pengawasan yang memerlukan dataset pengujian berlabel untuk optimasi hyperparameter. RCFmenghitung skor anomali untuk titik data uji dan kemudian memberi label titik data sebagai anomali jika skornya melebihi tiga standar deviasi dari skor rata-rata. Ini dikenal sebagai heuristik batas tiga-sigma. Skor F1 didasarkan pada perbedaan antara label yang dihitung dan label aktual. Pekerjaan tuning hyperparameter menemukan model yang memaksimalkan skor itu. Keberhasilan optimasi hiperparameter tergantung pada penerapan heuristik batas tiga-sigma ke kumpulan data pengujian.

Untuk informasi selengkapnya tentang penyetelan model, lihatLakukan penyetelan model otomatis dengan SageMaker.

Metrik yang Dihitung oleh Algoritma RCF

RCFAlgoritma menghitung metrik berikut selama pelatihan. Saat menyetel model, pilih metrik ini sebagai metrik objektif.

Nama Metrik	Deskripsi	Arah Optimasi
test:f1	Skor F1 pada kumpulan data pengujian, berdasarkan perbedaan antara label yang dihitung dan label aktual.	Maksimalkan

Hiperparameter yang dapat disetel RCF

Anda dapat menyetel RCF model dengan hyperparameters berikut.

Nama Parameter	Jenis Parameter	Rentang yang Direkomendasikan
num_samples_per_tree	IntegerParameterRanges	MinValue: 1 MaxValue ,:2048
num_trees	IntegerParameterRanges	MinValue: 50 MaxValue ,:1000