선형 학습자 하이퍼파라미터

다음 표에는 선형 학습자 알고리즘에 대한 하이퍼파라미터가 나와 있습니다. 이들은 사용자가 데이터로부터 모델 파라미터의 예측을 촉진하기 위해 설정하는 파라미터입니다. 먼저 반드시 설정해야 하는 필수 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다. 그 다음에 설정할 수 있는 선택적 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다. 하이퍼파라미터가 로 auto 설정되면 Amazon은 해당 하이퍼파라미터의 값을 SageMaker 자동으로 계산하고 설정합니다.

파라미터 이름	설명
num_classes	응답 변수의 클래스 수. 이 알고리즘에서는 클래스에 0, ..., num_classes - 1 레이블이 지정되어 있다고 가정합니다. predictor_type이(가) multiclass_classifier인 경우 필요함. 그렇지 않으면 알고리즘에서 무시됩니다. 유효한 값: 정수(3~1,000,000)
predictor_type	대상 변수 유형을 이진 분류, 멀티클래스 분류 또는 회귀로 지정합니다. 필수 유효값: binary_classifier, multiclass_classifier 또는 regressor
accuracy_top_k	멀티클래스 분류의 top-k 정확도 지표를 계산하는 경우 k의 값. 모델이 실제 레이블에 top-k 점수 중 하나를 할당하면 예제의 점수가 정답으로 매겨집니다. 선택 사항 유효한 값: 양수 기본값: 3
balance_multiclass_weights	손실 함수에서 각 클래스에 동일한 중요도를 제공하는 클래스 가중치를 사용할지 여부를 지정합니다. predictor_type이 multiclass_classifier인 경우에만 사용합니다. 선택 사항 유효값: true, false 기본 값: false
beta_1	1차 추정치에 대한 지수 감소율. optimizer 값이 adam일 경우에만 해당됩니다. 선택 사항 유효한 값: auto 또는 0부터 1.0 사이의 부동 소수점 기본 값: auto
beta_2	2차 추정치에 대한 지수 감소율. optimizer 값이 adam일 경우에만 해당됩니다. 선택 사항 유효한 값: auto 또는 0부터 1.0 사이의 부동 소수점 정수 기본 값: auto
bias_lr_mult	편향항에 대한 다른 학습률을 허용. 편이에 대한 실제 학습률은 learning_rate * bias_lr_mult입니다. 선택 사항 유효한 값: auto 또는 양의 부동 소수점 정수 기본 값: auto
bias_wd_mult	편향항에 대한 다른 정규화 허용. 편이에 대한 실제 L2 정규화 가중치는 wd * bias_wd_mult입니다. 기본적으로 편향항에 대한 정규화는 없습니다. 선택 사항 유효한 값: auto 또는 음수가 아닌 부동 소수점 정수 기본 값: auto
binary_classifier_model_selection_criteria	predictor_type이 binary_classifier로 설정된 경우 검증 데이터 세트에 대한 모델 평가 기준. 검증 데이터 세트를 제공하지 않은 경우에는 훈련 데이터 세트에 대한 모델 평가 기준입니다. 기준은 다음과 같습니다. accuracy—정확도가 가장 높은 모델. f_beta—F1 점수가 가장 높은 모델. 기본값은 F1입니다. precision_at_target_recall—주어진 재현율 대상에서 정밀도가 가장 높은 모델. recall_at_target_precision—주어진 정밀도 목표값에서 재현율이 가장 높은 모델. loss_function—훈련에 사용된 손실 함수 값이 가장 낮은 모델. 선택 사항 유효한 값: accuracy, f_beta, precision_at_target_recall, recall_at_target_precision 또는 loss_function 기본 값: accuracy
early_stopping_patience	관련 지표에서 개선 사항이 없는 경우 훈련 완료 전 epoch 수. binary_classifier_model_selection_criteria에 값을 제공한 경우 지표는 해당 값입니다. 그렇지 않으면 지표는 loss 하이퍼파라미터에 대해 지정된 값과 동일합니다. 지표는 검증 데이터에 따라 검증됩니다. 검증 데이터를 제공하지 않은 경우 지표는 항상 loss 파라미터에 지정된 값과 동일하고 교육 데이터에 대해 평가됩니다. 조기 중지를 비활성화하려면 early_stopping_patience를 epochs에 대해 지정된 값보다 높은 값으로 설정하십시오. 선택 사항 유효한 값: 양수 기본값: 3
early_stopping_tolerance	손실의 개선을 측정하는 상대 공차. 이전 최적 손실로 나눈 손실의 개선율이 이 값보다 작은 경우 조기 중지 시 개선이 0인 것으로 간주합니다. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본값: 0.001
epochs	훈련 데이터의 최대 전달 횟수. 선택 사항 유효한 값: 양수 기본 값: 15
f_beta	이진 또는 멀티클래스 분류에 대한 F 점수 지표를 계산하는 경우 사용할 베타 값. binary_classifier_model_selection_criteria에 대해 지정된 값이 f_beta인 경우에도 사용됩니다. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본값: 1.0
feature_dim	입력 데이터의 특징 수. 선택 사항 유효한 값: auto 또는 양의 정수 기본값: auto
huber_delta	Huber 손실에 대한 파라미터. 교육 및 지표 검증 도중 델타보다 작은 오차에 대해서는 컴퓨팅 L2 손실, 델타보다 큰 오차에 대해서는 L1 손실. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본값: 1.0
init_bias	편향항에 대한 초기 가중치. 선택 사항 유효한 값: 부동 소수점 정수 기본값: 0
init_method	모델 가중치에 사용되는 초기 분포 함수를 설정합니다. 함수는 다음과 같습니다. uniform—(-스케일, +스케일) 사이에 균일하게 분포 normal—평균이 0이고 시그마가 포함된 정규 분포 선택 사항 유효한 값: uniform또는 normal 기본 값: uniform
init_scale	모델 가중치에 대한 최초 균등 분포를 조정합니다. init_method 하이퍼파라미터가 uniform으로 설정된 경우에만 적용됩니다. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본값: 0.07
init_sigma	정규 분포에 대한 초기화 표준편차. init_method 하이퍼파라미터가 normal으로 설정된 경우에만 적용됩니다. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본 값: 0.01
l1	L1 정규화 파라미터. L1 정규화를 사용하지 않으려면 이 값을 0으로 설정합니다. 선택 사항 유효한 값: auto 또는 음수가 아닌 부동 소수점 기본 값: auto
learning_rate	파라미터 업데이트를 위해 옵티마이저에서 사용하는 단계 크기. 선택 사항 유효한 값: auto 또는 양의 부동 소수점 정수 기본값: auto, 이 값은 선택한 옵티마이저에 따라 달라집니다.
loss	손실 함수를 지정합니다. 사용 가능한 손실 함수와 그 기본값은 predictor_type의 값에 따라 달라집니다. predictor_type이 regressor로 설정되어 있으면 사용 가능한 옵션은 auto, squared_loss, absolute_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss 및 huber_loss입니다. auto의 기본값은 squared_loss입니다. predictor_type이 binary_classifier로 설정되어 있으면 사용 가능한 옵션은 auto,logistic 및 hinge_loss입니다. auto의 기본값은 logistic입니다. predictor_type이 multiclass_classifier로 설정되어 있으면 사용 가능한 옵션은 auto 및 softmax_loss입니다. auto의 기본값은 softmax_loss입니다. 유효한 값: auto, logistic, squared_loss, absolute_loss, hinge_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss 또는 huber_loss 선택 사항 기본 값: auto
loss_insensitivity	엡실론의 영향을 받지 않는 손실 유형에 대한 파라미터. 훈련 및 지표 검증 도중 이 값보다 작은 모든 오차는 0으로 간주됩니다. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본 값: 0.01
lr_scheduler_factor	매 lr_scheduler_step 하이퍼파라미터마다 학습률은 이 수치만큼 감소합니다. use_lr_scheduler 하이퍼파라미터가 true으로 설정된 경우에만 적용됩니다. 선택 사항 유효한 값: auto 또는 0부터 1 사이의 양의 부동 소수점 정수 기본 값: auto
lr_scheduler_minimum_lr	학습률은 lr_scheduler_minimum_lr에 대해 설정된 값 미만으로 절대 감소하지 않습니다. use_lr_scheduler 하이퍼파라미터가 true으로 설정된 경우에만 적용됩니다. 선택 사항 유효한 값: auto 또는 양의 부동 소수점 정수 기본값: auto
lr_scheduler_step	학습률 감소 사이의 단계 수. use_lr_scheduler 하이퍼파라미터가 true으로 설정된 경우에만 적용됩니다. 선택 사항 유효한 값: auto 또는 양의 정수 기본 값: auto
margin	hinge_loss 함수의 마진. 선택 사항 유효한 값: 양의 부동 소수점 정수 기본값: 1.0
mini_batch_size	데이터 반복자의 미니 배치당 관측치의 수. 선택 사항 유효한 값: 양수 기본값: 1000
momentum	sgd 옵티마이저의 모멘텀. 선택 사항 유효한 값: auto 또는 0부터 1.0 사이의 부동 소수점 정수 기본 값: auto
normalize_data	훈련 전에 특징 데이터를 정규화합니다. 데이터 정규화는 각 특징에 대해 평균 값 0을 갖도록 이동하고 단위 표준편차를 갖도록 조정합니다. 선택 사항 유효값: auto, true 또는 false 기본 값: true
normalize_label	레이블을 정규화합니다. 레이블 정규화는 평균 값 0을 갖도록 레이블을 이동하고 단위 표준편차를 갖도록 조정합니다. auto 기본값은 회귀 문제에서 레이블을 정규화하지만 분류 문제에서는 정규화하지 않습니다. 분류 문제의 경우 normalize_label 하이퍼파라미터를 true로 설정하면 알고리즘에서 무시됩니다. 선택 사항 유효값: auto, true 또는 false 기본 값: auto
num_calibration_samples	(최적의 임계값을 찾은 경우) 모델 보정에 사용할 검증 데이터 세트의 관측치 수. 선택 사항 유효한 값: auto 또는 양의 정수 기본 값: auto
num_models	병렬로 훈련할 모델 수. 기본값 auto의 경우 알고리즘이 훈련할 병렬 모델의 수를 결정합니다. 주어진 교육 파라미터(정규화, 옵티마이저, 손실)에 따라 한 모델이 교육되고, 나머지는 근접 파라미터에 따라 교육됩니다. 선택 사항 유효한 값: auto 또는 양의 정수 기본값: auto
num_point_for_scaler	정규화 또는 비편향항 계산에 사용할 데이터 포인트의 수. 선택 사항 유효한 값: 양수 기본값: 10,000
optimizer	사용할 최적화 알고리즘. 선택 사항 유효한 값: auto—기본값. sgd—확률적 경사하강법 adam—적응형 운동량 추정 rmsprop—기울기 제곱의 이동 평균을 사용하여 기울기를 정규화하는 기울기 기반 최적화 기법. 기본값: auto. auto의 기본 설정은 adam입니다.
positive_example_weight_mult	이진 분류자 교육 시 양수 예제에 할당된 가중치. 음수 예제 가중치는 1로 고정됩니다. 이 알고리즘에서 음수 대 양수 예제 분류의 오차가 훈련 손실에 동일한 영향을 미치도록 가중치를 선택하려는 경우 balanced를 지정합니다. 이 알고리즘이 성능을 최적화하는 가중치를 선택하도록 하려는 경우 auto를 지정합니다. 선택 사항 유효한 값: balanced, auto 또는 양의 부동 소수점 정수 기본값: 1.0
quantile	분위 손실에 대한 분위. 분위 q의 경우 이 모델은 true_label의 값을 가능성 q를 사용한 예측보다 크도록 예측을 생성하려고 합니다. 선택 사항 유효한 값: 0부터 1 사이의 부동 소수점 정수 기본 값: 0.5
target_precision	대상 정밀도. binary_classifier_model_selection_criteria가 recall_at_target_precision인 경우 재현율이 최대화된 상태에서는 정밀도가 이 값에서 유지됩니다. 선택 사항 유효한 값: 0부터 1.0 사이의 부동 소수점 정수 기본값: 0.8
target_recall	대상 재현율. binary_classifier_model_selection_criteria가 precision_at_target_recall인 경우 정밀도가 최대화된 상태에서는 재현율이 이 값에서 유지됩니다. 선택 사항 유효한 값: 0부터 1.0 사이의 부동 소수점 정수 기본값: 0.8
unbias_data	평균이 0이 되도록 훈련 전 특징을 비편향화합니다. use_bias 하이퍼파라미터가 true(으)로 설정되어 있으므로 기본적으로 데이터는 비편향화됩니다. 선택 사항 유효값: auto, true 또는 false 기본 값: auto
unbias_label	평균이 0이 되도록 훈련 전 레이블을 비편향화합니다. use_bias 하이퍼파라미터가 true로 설정된 경우에만 회귀에 적용됩니다. 선택 사항 유효값: auto, true 또는 false 기본 값: auto
use_bias	모델이 편향항을 포함해야 할지 여부를 지정합니다. 편향항은 선형 방정식의 절편항입니다. 선택 사항 유효한 값: true또는 false 기본 값: true
use_lr_scheduler	학습률에 대한 스케줄러를 사용할지 여부. 스케줄러를 사용하려는 경우 true를 지정합니다. 선택 사항 유효한 값: true또는 false 기본 값: true
wd	가중치 감소 파라미터(L2 정규화 파라미터라고도 함). L2 정규화를 사용하지 않으려면 이 값을 0으로 설정합니다. 선택 사항 유효한 값: auto 또는 음수가 아닌 부동 소수점 정수 기본 값: auto