Iperparametri Linear Learner

La tabella seguente contiene gli iperparametri per l'algoritmo linear learner. Si tratta di parametri che vengono impostati dagli utenti per agevolare la stima dei parametri del modello dai dati. Gli iperparametri richiesti che devono essere impostati sono elencati prima, in ordine alfabetico. Gli iperparametri facoltativi che possono essere impostati sono elencato dopo, sempre in ordine alfabetico. Quando un iperparametro è impostato suauto, Amazon SageMaker calcolerà e imposterà automaticamente il valore di tale iperparametro.

Nome parametro	Descrizione
num_classes	Il numero di classi per la variabile di risposta. L'algoritmo presuppone che classi siano etichettate 0, ..., num_classes - 1. Obbligatorio quando predictor_type è multiclass_classifier. In caso contrario, l'algoritmo lo ignora. Valori validi: i numeri interi compresi tra 3 e 1.000.000
predictor_type	Specifica il tipo di variabile di target come classificazione binaria, classificazione multiclasse o regressione. Campo obbligatorio Valori validi: binary_classifier, multiclass_classifier o regressor
accuracy_top_k	Quando si calcola il parametro di accuratezza top-k per la classificazione multiclasse, il valore di k. Se il modello assegna uno dei punteggi top-k all'etichetta true, un esempio viene valutato come corretto. Opzionale Valori validi: numeri interi positivi Valore predefinito: 3
balance_multiclass_weights	Specifica se utilizzare i pesi di classe, che attribuiscono a ciascuna classe uguale importanza nella funzione di perdita. Usato solo quando predictor_type è multiclass_classifier. Opzionale Valori validi: true, false Valore predefinito: false
beta_1	Tasso di decadimento esponenziale per stime di primo momento. Si applica solo quando il valore di optimizer è adam. Opzionale Valori validi: auto o un valore in virgola mobile compreso tra 0 e 1,0 Valore predefinito: auto
beta_2	Tasso di decadimento esponenziale per stime di secondo momento. Si applica solo quando il valore di optimizer è adam. Opzionale Valori validi: auto o un numero intero in virgola mobile compreso tra 0 e 1,0 Valore predefinito: auto
bias_lr_mult	Consente un tasso di apprendimento diverso per il termine bias. La velocità di apprendimento effettiva per il bias è learning_rate * bias_lr_mult. Opzionale Valori validi: auto o un numero intero positivo in virgola mobile Valore predefinito: auto
bias_wd_mult	Consente una regolarizzazione differente per il termine bias. Il peso di regolarizzazione L2 effettivo per il bias è wd * bias_wd_mult. Per impostazione predefinita non c'è alcuna regolarizzazione sul termine bias. Opzionale Valori validi: auto o un numero intero non negativo in virgola mobile Valore predefinito: auto
binary_classifier_model_selection_criteria	Quando predictor_type è impostato su binary_classifier, i criteri di valutazione del modello per il set di dati di convalida (o per il set di dati di training se non specifichi un set di dati di convalida). I criteri includono: accuracy: modello con la massima precisione. f_beta: modello con il massimo punteggio F1. Il valore predefinito è F1. precision_at_target_recall: modello con la precisione maggiore in un determinato target di richiamo. recall_at_target_precision: modello con il richiamo maggiore in un determinato target di precisione. loss_function: modello con il valore più basso della funzione di perdita utilizzata nell'addestramento. Opzionale Valori validi: accuracy, f_beta, precision_at_target_recall, recall_at_target_precision o loss_function Valore predefinito: accuracy
early_stopping_patience	Se non vengono apportati miglioramenti nel parametro rilevante, il numero di epoche (Unix epochs) da aspettare prima di terminare il training. Se hai fornito un valore per binary_classifier_model_selection_criteria, il parametro è questo valore. In caso contrario, il parametro è lo stesso valore specificato per l'iperparametro loss. Il parametro viene valutato nei dati di convalida. Se non sono stati forniti dati di convalida, il parametro è sempre uguale al valore specificato per l'iperparametro loss e viene valutato sui dati di training. Per disabilitare l'arresto precoce, imposta early_stopping_patience su un valore maggiore del valore specificato per epochs. Opzionale Valori validi: numeri interi positivi Valore predefinito: 3
early_stopping_tolerance	La tolleranza relativa per misurare un miglioramento nella perdita. Se il rapporto tra il miglioramento nella perdita, diviso per la perdita migliore precedente è inferiore a questo valore, l'arresto precoce considera il miglioramento come zero. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,001
epochs	Numero massimo di passate sui dati di training. Opzionale Valori validi: numeri interi positivi Valore predefinito: 15
f_beta	Il valore della beta da utilizzare quando si calcolano i parametri del punteggio F per la classificazione binaria o multiclasse. Viene utilizzato anche se il valore specificato per binary_classifier_model_selection_criteria è f_beta. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
feature_dim	Il numero di caratteristiche nei dati di input. Opzionale Valori validi: auto o numero intero positivo Valori predefiniti: auto
huber_delta	Il parametro per la perdita Huber. Durante il training e la valutazione del parametro, calcola la perdita L2 per gli errori di dimensioni inferiori rispetto a delta e la perdita L1 per gli errori di dimensioni superiori a delta. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
init_bias	Peso iniziale per il termine bias. Opzionale Valori validi: numeri interi in virgola mobile Valore predefinito: 0
init_method	Imposta la funzione di distribuzione iniziale utilizzata per i pesi del modello. Le funzioni includono: uniform: distribuito uniformemente tra (-scale, +scale) normal: distribuzione normale, con media 0 e sigma Opzionale Valori validi: uniform o normal Valore predefinito: uniform
init_scale	Ridimensiona una distribuzione uniforme iniziale per i pesi del modello. Si applica solo quando l'iperparametro init_method è impostato su uniform. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,07
init_sigma	La deviazione standard iniziale per la distribuzione normale. Si applica solo quando l'iperparametro init_method è impostato su normal. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,01
l1	Il parametro di regolarizzazione L1. Se non vuoi usare la regolarizzazione L1, imposta il valore su 0. Opzionale Valori validi: auto o float non negativo Valore predefinito: auto
learning_rate	L'incremento utilizzato dall'ottimizzatore per gli aggiornamenti dei parametri. Opzionale Valori validi: auto o un numero intero positivo in virgola mobile Valore predefinito: auto, il cui valore dipende dall'ottimizzatore scelto.
loss	Specifica la funzione di perdita. Le funzioni di perdita disponibili e i relativi valori predefiniti dipendono dal valore di predictor_type: Se predictor_type è impostato su regressor, le opzioni disponibili sono auto, squared_loss, absolute_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss e huber_loss. Il valore predefinito per auto è squared_loss. Se predictor_type è impostato su binary_classifier, le opzioni disponibili sono auto, logistic e hinge_loss. Il valore predefinito per auto è logistic. Se predictor_type è impostato su multiclass_classifier, le opzioni disponibili sono auto e softmax_loss. Il valore predefinito per auto è softmax_loss. Valori validi: auto, logistic, squared_loss, absolute_loss, hinge_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss o huber_loss Opzionale Valore predefinito: auto
loss_insensitivity	Il parametro per tipo di perdita epsilon-insensitive. Durante il training e la valutazione del parametro, qualsiasi errore di dimensioni inferiori a questo valore è considerato come zero. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 0,01
lr_scheduler_factor	Per ogni iperparametro lr_scheduler_step, la velocità di apprendimento diminuisce di questa quantità. Si applica solo quando l'iperparametro use_lr_scheduler è impostato su true. Opzionale Valori validi: auto o un numero intero positivo in virgola mobile compreso tra 0 e 1 Valore predefinito: auto
lr_scheduler_minimum_lr	La velocità di apprendimento non viene mai diminuita su un valore inferiore al valore impostato per lr_scheduler_minimum_lr. Si applica solo quando l'iperparametro use_lr_scheduler è impostato su true. Opzionale Valori validi: auto o un numero intero positivo in virgola mobile Valori predefiniti: auto
lr_scheduler_step	Il numero di fasi tra diminuzioni del tasso di apprendimento. Si applica solo quando l'iperparametro use_lr_scheduler è impostato su true. Opzionale Valori validi: auto o numero intero positivo Valore predefinito: auto
margin	Il margine per la funzione hinge_loss. Opzionale Valori validi: numeri interi positivi in virgola mobile Valore predefinito: 1.0
mini_batch_size	Il numero di osservazioni per ogni mini batch per l'iterazione di dati. Opzionale Valori validi: numeri interi positivi Valore predefinito: 1000
momentum	Il momento dell'ottimizzatore sgd. Opzionale Valori validi: auto o un numero intero in virgola mobile compreso tra 0 e 1,0 Valore predefinito: auto
normalize_data	Normalizza i dati delle caratteristiche prima del training. La normalizzazione dei dati sposta i dati per ogni caratteristica in modo da avere una media di zero e la dimensiona per avere una deviazione standard dell'unità. Opzionale Valori validi: auto, true o false Valore predefinito: true
normalize_label	Normalizza l'etichetta. La normalizzazione sposta l'etichetta in modo da avere una media pari a zero e la ridimensiona per avere la deviazione di unità standard. Il valore predefinito auto normalizza l'etichetta per i problemi di regressione, ma non per i problemi di classificazione. Se imposti l'iperparametro normalize_label su true per i problemi di classificazione, l'algoritmo lo ignora. Opzionale Valori validi: auto, true o false Valore predefinito: auto
num_calibration_samples	Il numero di osservazioni del set di dati di convalida da usare per la calibrazione del modello (per trovare la soglia migliore). Opzionale Valori validi: auto o numero intero positivo Valore predefinito: auto
num_models	Il numero di modelli da sottoporre al training in parallelo. Per impostazione predefinita auto, l'algoritmo decide il numero di modelli da preparare. Un modello viene preparato in base al parametro di training specificato (regolarizzazione, ottimizzatore, perdita) e gli altri in base a parametri chiusi. Opzionale Valori validi: auto o numero intero positivo Valori predefiniti: auto
num_point_for_scaler	Il numero di punti di dati da utilizzare per calcolare la normalizzazione o l'eliminazione del bias dei termini. Opzionale Valori validi: numeri interi positivi Valore predefinito: 10,000
optimizer	L'algoritmo di ottimizzazione da usare. Opzionale Valori validi: auto: valore predefinito. sgd: discesa stocastica del gradiente. adam: stima del momento adattivo. rmsprop: tecnica di ottimizzazione basata sui gradienti che utilizza una media mobile di gradienti quadrati per normalizzare il gradiente. Valore predefinito: auto. L'impostazione predefinita per auto è adam.
positive_example_weight_mult	Il peso assegnato a esempi positivi durante il training di un classificatore binario. Il peso di esempi negativi è fissato a 1. Se l'algoritmo dovrà scegliere un peso in modo che gli errori di classificazione degli esempi negativi rispetto ai positivi abbiano lo stesso impatto nella perdita di training, specifica balanced. Se vuoi che l'algoritmo scelga il peso che ottimizza le prestazioni, specifica auto. Opzionale Valori validi: balanced, auto o un numero intero positivo in virgola mobile Valore predefinito: 1.0
quantile	Il quantile per la perdita quantile. Per quantile q, il modello cerca di generare le previsioni in modo tale che il valore di true_label sia superiore alla previsione con probabilità q. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1 Valore predefinito: 0.5
target_precision	La precisione di target. Se binary_classifier_model_selection_criteria è recall_at_target_precision, la precisione viene mantenuta a questo valore durante la massimizzazione della richiamata. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1.0 Valore predefinito: 0,8
target_recall	La richiamata di target. Se binary_classifier_model_selection_criteria è precision_at_target_recall, la richiamata viene mantenuta a questo valore durante la massimizzazione della precisione. Opzionale Valori validi: un numero intero in virgola mobile compreso tra 0 e 1.0 Valore predefinito: 0,8
unbias_data	Toglie il bias dalle caratteristiche prima del training in modo che la media sia pari a 0. Per impostazione predefinita i dati non sono bias in quanto l'iperparametro use_bias è impostato su true. Opzionale Valori validi: auto, true o false Valore predefinito: auto
unbias_label	Toglie il bias dalle etichette prima del training in modo che la media sia pari a 0. Si applica solo alla regressione se l'iperparametro use_bias è impostato su true. Opzionale Valori validi: auto, true o false Valore predefinito: auto
use_bias	Specifica se il modello deve includere un termine bias, che è il termine di intercettazione nell'equazione lineare. Opzionale Valori validi: true o false Valore predefinito: true
use_lr_scheduler	Indica se usare un pianificatore per la velocità di apprendimento. Se vuoi utilizzare un pianificatore, specifica true. Opzionale Valori validi: true o false Valore predefinito: true
wd	Il parametro di decadimento del peso, noto anche come parametro di regolarizzazione L2. Se non vuoi usare la regolarizzazione L2, imposta il valore su 0. Opzionale Valori validi: auto o un numero intero non negativo in virgola mobile Valore predefinito: auto