Hiperparâmetros da aprendizagem linear

A tabela a seguir contém os hiperparâmetros para o algoritmo de aprendizagem linear. Esses parâmetros são definidos pelos usuários para facilitar a estimativa dos parâmetros do modelo a partir dos dados. Os hiperparâmetros necessários que devem ser definidos são listados primeiro, em ordem alfabética. Os hiperparâmetros opcionais que podem ser configurados são listados em seguida, também em ordem alfabética. Quando um hiperparâmetro é definido comoauto, a Amazon calcula e define SageMaker automaticamente o valor desse hiperparâmetro.

Nome do parâmetro	Descrição
num_classes	O número de classes para a variável de resposta. O algoritmo assume que as classes estejam rotuladas como 0, ..., num_classes - 1. Obrigatório quando predictor_type é multiclass_classifier. Caso contrário, o algoritmo o ignorará. Valores válidos: números inteiros de 3 a 1.000.000
predictor_type	Especifica o tipo de variável de destino como uma classificação binária, classificação multiclasse ou regressão. Obrigatório Valores válidos: binary_classifier, multiclass_classifier ou regressor
accuracy_top_k	Ao calcular a métrica de precisão top-k para classificação multiclasse, o valor de k. Se o modelo atribuir uma das pontuações top-k ao rótulo true, um exemplo será pontuado como correto. Opcional Valores válidos: números inteiros positivos Valor padrão: 3
balance_multiclass_weights	Especifica se pesos de classe devem ser usados, que dão a cada classe uma importância igual na função de perda. Usado somente quando predictor_type é multiclass_classifier. Opcional Valores válidos: true, false Valor padrão: false
beta_1	A taxa de degradação exponencial para estimativas de primeiro momento. Aplica-se apenas quando o valor optimizer é adam. Opcional Valores válidos: auto ou um valor de ponto flutuante entre 0 e 1,0 Valor padrão: auto
beta_2	A taxa de degradação exponencial para estimativas de segundo momento. Aplica-se apenas quando o valor optimizer é adam. Opcional Valores válidos: auto ou um número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: auto
bias_lr_mult	Permite uma taxa de aprendizagem diferente para o termo de desvio. A taxa real de aprendizagem para a polarização é learning_rate * bias_lr_mult. Opcional Valores válidos: auto ou um número inteiro positivo de ponto flutuante Valor padrão: auto
bias_wd_mult	Permite regularização diferente para o termo de desvio. O peso da regularização L2 real para a polarização é wd * bias_wd_mult. Por padrão, não há regularização no termo de polarização. Opcional Valores válidos: auto ou um número inteiro não negativo de ponto flutuante Valor padrão: auto
binary_classifier_model_selection_criteria	Quando predictor_type está definido como binary_classifier, o critério de avaliação do modelo para o conjunto de dados de validação (ou para o conjunto de dados de treinamento, se você não fornecer um conjunto de dados de validação). Os critérios incluem: accuracy—O modelo com a maior precisão. f_beta—O modelo com a maior pontuação F1. O padrão é F1. precision_at_target_recall—O modelo com a maior precisão em um determinado destino de recall. recall_at_target_precision—O modelo com o maior recall em um determinado destino de precisão. loss_function—O modelo com o valor mais baixo da função de perda usada no treinamento. Opcional Valores válidos: accuracy, f_beta, precision_at_target_recall, recall_at_target_precision ou loss_function Valor padrão: accuracy
early_stopping_patience	Se nenhuma melhoria for feita na métrica relevante, o número de epochs a aguardar antes de terminar o treinamento. Se você forneceu um valor para binary_classifier_model_selection_criteria, a métrica é esse valor. Caso contrário, a métrica é igual ao valor especificado para o hiperparâmetro loss. A métrica é avaliada nos dados de validação. Se você não forneceu dados de validação, a métrica é sempre o mesmo que o valor especificado para o hiperparâmetro loss e é avaliada nos dados de treinamento. Para desabilitar a interrupção precoce, defina early_stopping_patience como um valor maior que o valor especificado para epochs. Opcional Valores válidos: inteiro positivo Valor padrão: 3
early_stopping_tolerance	A tolerância relativa para medir uma melhoria na perda. Se a proporção for menor que esse valor (em relação à melhora na perda quando dividida pela melhor perda anterior), a interrupção precoce considerará que não houve melhora. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0.001
epochs	O número máximo de passagens nos dados de treinamento. Opcional Valores válidos: inteiro positivo Valor padrão: 15
f_beta	O valor do beta a ser usado ao calcular métricas de pontuação F para classificação binária ou de várias classes. Também usado se o valor especificado para binary_classifier_model_selection_criteria for f_beta. Opcional Valores válidos: números inteiros positivos de ponto flutuante Valor padrão: 1.0
feature_dim	O número de recursos nos dados de entrada. Opcional Valores válidos: auto ou um número inteiro positivo Valores padrão: auto
huber_delta	O parâmetro para a perda de Huber. Durante o treinamento e a avaliação da métrica, calcula a perda L2 para erros menores do que delta, bem como a perda L1 para erros maiores do que delta. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 1.0
init_bias	Peso inicial para o termo de polarização. Opcional Valores válidos: número inteiro de ponto flutuante Valor padrão: 0
init_method	Define a função de distribuição inicial usada para pesos de modelo. As funções incluem: uniform—Distribuído uniformemente entre (escala -, escala +) normal—Distribuição normal, com média 0 e sigma Opcional Valores válidos: uniform ou normal Valor padrão: uniform
init_scale	Dimensiona uma distribuição uniforme inicial para pesos de modelo. Aplicável apenas quando o hiperparâmetro init_method está definido como uniform. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0.07
init_sigma	O desvio padrão inicial para a distribuição normal. Aplicável apenas quando o hiperparâmetro init_method está definido como normal. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0,01
l1	O parâmetro de regularização L1. Se você não quiser usar a regularização L1, defina o valor como 0. Opcional Valores válidos: auto ou flutuante não negativo Valor padrão: auto
learning_rate	O tamanho da etapa usado pelo otimizador para atualizações de parâmetros. Opcional Valores válidos: auto ou um número inteiro positivo de ponto flutuante Valor padrão: auto, cujo valor depende do otimizador escolhido.
loss	Especifica a função de perda. As funções de perda disponíveis e seus valores padrão dependem do valor de predictor_type: Se predictor_type estiver definido como regressor, as opções disponíveis serão auto, squared_loss, absolute_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss e huber_loss. O valor padrão para auto é squared_loss. Se predictor_type estiver definido como binary_classifier, as opções disponíveis serão auto,logistic e hinge_loss. O valor padrão para auto é logistic. Se predictor_type estiver definido como multiclass_classifier, as opções disponíveis serão auto e softmax_loss. O valor padrão para auto é softmax_loss. Valores válidos: auto, logistic, squared_loss, absolute_loss, hinge_loss, eps_insensitive_squared_loss, eps_insensitive_absolute_loss, quantile_loss ou huber_loss Opcional Valor padrão: auto
loss_insensitivity	O parâmetro para o tipo de perda insensível a épsilon. Durante o treinamento e a avaliação da métrica, qualquer erro menor do que esse valor será considerado zero. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 0,01
lr_scheduler_factor	Para cada hiperparâmetro lr_scheduler_step, a taxa de aprendizagem é diminuída por essa quantidade. Aplicável apenas quando o hiperparâmetro use_lr_scheduler está definido como true. Opcional Valores válidos: auto ou um número inteiro positivo de ponto flutuante entre 0 e 1 Valor padrão: auto
lr_scheduler_minimum_lr	A taxa de aprendizagem nunca diminui para um valor menor que o valor definido para lr_scheduler_minimum_lr. Aplicável apenas quando o hiperparâmetro use_lr_scheduler está definido como true. Opcional Valores válidos: auto ou um número inteiro positivo de ponto flutuante Valores padrão: auto
lr_scheduler_step	O número de passos entre as diminuições da taxa de aprendizagem. Aplicável apenas quando o hiperparâmetro use_lr_scheduler está definido como true. Opcional Valores válidos: auto ou um número inteiro positivo Valor padrão: auto
margin	A margem para a função hinge_loss. Opcional Valores válidos: número inteiro positivo de ponto flutuante Valor padrão: 1.0
mini_batch_size	O número de observações por minilote para o iterador de dados. Opcional Valores válidos: inteiro positivo Valor padrão: 1000
momentum	A dinâmica do otimizador sgd. Opcional Valores válidos: auto ou um número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: auto
normalize_data	Normaliza os dados do recurso antes do treinamento. A normalização de dados desloca os dados de cada recurso para ter uma média de zero e os dimensiona para ter um desvio padrão de unidade. Opcional Valores válidos: auto, true ou false Valor padrão: true
normalize_label	Normaliza o rótulo. A normalização de rótulos desloca o rótulo para ter uma média de zero e o dimensiona para ter um desvio padrão de unidade. O valor auto padrão normaliza o rótulo para problemas de regressão, mas não para problemas de classificação. Se você definir o hiperparâmetro normalize_label como true para problemas de classificação, o algoritmo o ignorará. Opcional Valores válidos: auto, true ou false Valor padrão: auto
num_calibration_samples	O número de observações do conjunto de dados de validação a ser usado para calibração do modelo (ao encontrar o melhor limite). Opcional Valores válidos: auto ou um número inteiro positivo Valor padrão: auto
num_models	O número de modelos para treinar em paralelo. Para o padrão, auto, o algoritmo decide o número de modelos paralelos a ser treinado. Um modelo é treinado de acordo com o parâmetro de treinamento indicado (regularização, otimizador e perda), e o restante, por parâmetros aproximados. Opcional Valores válidos: auto ou um número inteiro positivo Valores padrão: auto
num_point_for_scaler	O número de pontos de dados a serem usados para calcular a normalização ou a imparcialidade de termos. Opcional Valores válidos: inteiro positivo Valor padrão: 10,000
optimizer	O algoritmo de otimização a ser usado. Opcional Valores válidos: auto—O valor padrão. sgd—Descida de gradiente estocástica. adam—Estimativa de dinâmica adaptativa. rmsprop—Uma técnica de otimização baseada em gradiente que usa uma média móvel de gradientes quadrados para normalizar o gradiente. Valor padrão: auto. A configuração padrão para auto é adam.
positive_example_weight_mult	O peso atribuído a exemplos positivos ao treinar um classificador binário. O peso de exemplos negativos é fixado em 1. Se quiser que o algoritmo escolha um peso, de forma que os erros na classificação de exemplos negativos vs. positivos tenham impacto igual na perda de treinamento, especifique balanced. Se quiser que o algoritmo escolha o peso que otimiza o desempenho, especifique auto. Opcional Valores válidos: balanced, auto ou um número inteiro positivo de ponto flutuante Valor padrão: 1.0
quantile	O quantil para perda de quantil. Para o quantil q, o modelo tenta produzir previsões de modo que o valor de true_label seja maior que a previsão com probabilidade q. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1 Valor padrão: 0.5
target_precision	A precisão de destino. Se binary_classifier_model_selection_criteria for recall_at_target_precision, a precisão será mantida nesse valor enquanto o recall for maximizada. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: 0.8
target_recall	O recall de destino. Se binary_classifier_model_selection_criteria for precision_at_target_recall , o recall será mantido nesse valor enquanto a precisão estiver maximizada. Opcional Valores válidos: Número inteiro de ponto flutuante entre 0 e 1,0 Valor padrão: 0.8
unbias_data	Imparcializa os recursos antes do treinamento para que a média seja 0. Por padrão, os dados são imparciais quando o hiperparâmetro use_bias está definido como true. Opcional Valores válidos: auto, true ou false Valor padrão: auto
unbias_label	Imparcializa os rótulos antes do treinamento para que a média seja 0. Aplica-se à regressão somente se o hiperparâmetro use_bias estiver definido como true. Opcional Valores válidos: auto, true ou false Valor padrão: auto
use_bias	Especifica se o modelo deve incluir um termo de polarização, que é o termo de interceptação na equação linear. Opcional Valores válidos: true ou false Valor padrão: true
use_lr_scheduler	Se um programador deve ou não ser usado para a taxa de aprendizagem. Se quiser usar um agendador, especifique true. Opcional Valores válidos: true ou false Valor padrão: true
wd	O parâmetro de degradação de peso, também conhecido como o parâmetro de regularização L2. Se você não quiser usar a regularização L2, defina o valor como 0. Opcional Valores válidos: auto ou um número inteiro não negativo de ponto flutuante Valor padrão: auto