Ajustar um modelo de aprendizagem linear

O ajuste automático de modelos, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

O algoritmo de Aprendizagem linear também tem um mecanismo interno para ajuste de hiperparâmetros separados do recurso de ajuste de modelo automático descrito aqui. Por padrão, o algoritmo de Aprendizagem linear ajusta os hiperparâmetros treinando vários modelos em paralelo. Quando você usa o ajuste automático de modelo, o mecanismo de ajuste interno de Aprendizagem linear é desativado automaticamente. Isso define o número de modelos paralelos, num_models, como 1. O algoritmo ignora qualquer valor que você tenha definido para num_models.

Para mais informações sobre o ajuste de modelos, consulte Execute o ajuste automático do modelo com SageMaker.

Métricas calculadas pelo algoritmo de aprendizagem linear

O algoritmo de aprendizagem linear relata as métricas na tabela a seguir, que são calculadas durante o treinamento. Escolha uma deles como a métrica objetiva. Para evitar o sobreajuste, recomendamos ajustar o modelo em uma métrica de validação em vez de em uma métrica de treinamento.

Nome da métrica	Descrição	Direção de otimização
test:absolute_loss	A perda absoluta do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para regressão.	Minimizar
test:binary_classification_accuracy	A precisão do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação binária.	Maximizar
test:binary_f_beta	A pontuação F-beta do modelo final no conjunto de dados de teste. Por padrão, é a pontuação F1, que é a média harmônica de precisão e recall. Essa métrica objetiva só é válida para classificação binária.	Maximizar
test:dcg	O ganho cumulativo descontado do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:macro_f_beta	A pontuação F-beta do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:macro_precision	A pontuação da precisão do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:macro_recall	A pontuação do recall do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:mse	O erro quadrático médio do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para regressão.	Minimizar
test:multiclass_accuracy	A precisão do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:multiclass_top_k_accuracy	A precisão entre os k principais rótulos previstos no conjunto de dados de teste. Se você escolher essa métrica como objetivo, recomendamos definir o valor de k usando o hiperparâmetro accuracy_top_k. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
test:objective_loss	O valor médio da função de perda de objetivo no conjunto de dados de teste após o modelo ser treinado. Por padrão, a perda é a perda logística para classificação binária e a perda quadrada para regressão. Para definir a perda como outros tipos, use o hiperparâmetro loss.	Minimizar
test:precision	A precisão do modelo final no conjunto de dados de teste. Se você escolher essa métrica como objetivo, recomendamos configurar um recall de destino definindo o hiperparâmetro binary_classifier_model_selection como precision_at_target_recall e definindo o valor do hiperparâmetro target_recall. Essa métrica objetiva só é válida para classificação binária.	Maximizar
test:recall	O recall do modelo final no conjunto de dados de teste. Se você escolher essa métrica como objetivo, recomendamos configurar uma precisão de destino definindo o hiperparâmetro binary_classifier_model_selection como recall_at_target_precision e definindo o valor do hiperparâmetro target_precision. Essa métrica objetiva só é válida para classificação binária.	Maximizar
test:roc_auc_score	A área sob a curva característica operacional receptora (curva ROC) do modelo final no conjunto de dados de teste. Essa métrica objetiva só é válida para classificação binária.	Maximizar
validation:absolute_loss	A perda absoluta do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para regressão.	Minimizar
validation:binary_classification_accuracy	A precisão do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação binária.	Maximizar
validation:binary_f_beta	A pontuação F-beta do modelo final no conjunto de dados de validação. Por padrão, a pontuação F-beta é a pontuação F1, que é a média harmônica das métricas validation:precision e validation:recall. Essa métrica objetiva só é válida para classificação binária.	Maximizar
validation:dcg	O ganho cumulativo descontado do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:macro_f_beta	A pontuação F-beta do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:macro_precision	A pontuação de precisão do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:macro_recall	A pontuação do recall do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:mse	O erro quadrático médio do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para regressão.	Minimizar
validation:multiclass_accuracy	A precisão do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:multiclass_top_k_accuracy	A precisão entre os k principais rótulos previstos no conjunto de dados de validação. Se você escolher essa métrica como objetivo, recomendamos definir o valor de k usando o hiperparâmetro accuracy_top_k. Essa métrica objetiva só é válida para classificação multiclasse.	Maximizar
validation:objective_loss	O valor médio da função de perda de objetivo no conjunto de dados de validação a cada epoch. Por padrão, a perda é a perda logística para classificação binária e a perda quadrada para regressão. Para definir a perda como outros tipos, use o hiperparâmetro loss.	Minimizar
validation:precision	A precisão do modelo final no conjunto de dados de validação. Se você escolher essa métrica como objetivo, recomendamos configurar um recall de destino definindo o hiperparâmetro binary_classifier_model_selection como precision_at_target_recall e definindo o valor do hiperparâmetro target_recall. Essa métrica objetiva só é válida para classificação binária.	Maximizar
validation:recall	O recall do modelo final no conjunto de dados de validação. Se você escolher essa métrica como objetivo, recomendamos configurar uma precisão de destino definindo o hiperparâmetro binary_classifier_model_selection como recall_at_target_precision e definindo o valor do hiperparâmetro target_precision. Essa métrica objetiva só é válida para classificação binária.	Maximizar
validation:rmse	A raiz do erro quadrático médio do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para regressão.	Minimizar
validation:roc_auc_score	A área sob a curva característica de operação receptora (curva ROC) do modelo final no conjunto de dados de validação. Essa métrica objetiva só é válida para classificação binária.	Maximizar

Ajuste de hiperparâmetros da aprendizagem linear

Você pode ajustar um modelo de aprendizagem linear com os seguintes hiperparâmetros.

Nome do parâmetro	Tipo de parâmetro	Intervalos recomendados
wd	ContinuousParameterRanges	MinValue: 1e-7, MaxValue: 1
l1	ContinuousParameterRanges	MinValue: 1e-7, MaxValue: 1
learning_rate	ContinuousParameterRanges	MinValue: 1e-5, MaxValue: 1
mini_batch_size	IntegerParameterRanges	MinValue: 100, MaxValue: 5000
use_bias	CategoricalParameterRanges	[True, False]
positive_example_weight_mult	ContinuousParameterRanges	MinValue: 1e-5, MaxValue: 1e5