Ajustar um modelo Object2Vec

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. Para a métrica objetiva, você usa uma das 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.

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

Métricas calculadas pelo algoritmo Object2Vec

O algoritmo Object2Vec possui métricas de classificação e regressão. O tipo de output_layer determina qual métrica você pode usar para ajuste modelo automático.

Métricas de regressor calculadas pelo algoritmo Object2Vec

O algoritmo relata uma métrica de regressor de erro quadrático médio, que é calculada durante o teste e a validação. Ao ajustar o modelo para tarefas de regressão, escolha essa métrica como a métrica objetiva.

Nome da métrica	Descrição	Direção de otimização
test:mean_squared_error	O erro quadrático médio	Minimizar
validation:mean_squared_error	O erro quadrático médio	Minimizar

Métricas de classificação calculadas pelo algoritmo Object2Vec

O algoritmo Object2Vec relata métricas de classificação de precisão e entropia cruzada, que são calculadas durante o teste e a validação. Ao ajustar o modelo para tarefas de classificação, escolha uma delas como o objetivo.

Nome da métrica	Descrição	Direção de otimização
test:accuracy	Precisão	Maximizar
test:cross_entropy	Entropia cruzada	Minimizar
validation:accuracy	Precisão	Maximizar
validation:cross_entropy	Entropia cruzada	Minimizar

Hiperparâmetros ajustáveis de Object2Vec

Você pode ajustar os seguintes hiperparâmetros para o algoritmo Object2Vec.

Nome do hiperparâmetro	Tipo de hiperparâmetro	Intervalos e valores recomendados
dropout	ContinuousParameterRange	MinValue: 0,0, MaxValue 1,0
early_stopping_patience	IntegerParameterRange	MinValue: 1, MaxValue 5
early_stopping_tolerance	ContinuousParameterRange	MinValue: 0,001, MaxValue 0,1
enc_dim	IntegerParameterRange	MinValue: 4, MaxValue 4096
enc0_cnn_filter_width	IntegerParameterRange	MinValue: 1, MaxValue 5
enc0_layers	IntegerParameterRange	MinValue: 1, MaxValue 4
enc0_token_embedding_dim	IntegerParameterRange	MinValue: 5, MaxValue 30
enc1_cnn_filter_width	IntegerParameterRange	MinValue: 1, MaxValue 5
enc1_layers	IntegerParameterRange	MinValue: 1, MaxValue 4
enc1_token_embedding_dim	IntegerParameterRange	MinValue: 5, MaxValue 30
epochs	IntegerParameterRange	MinValue: 4, MaxValue 20
learning_rate	ContinuousParameterRange	MinValue: 1e-6, MaxValue: 1,0
mini_batch_size	IntegerParameterRange	MinValue: 1, MaxValue 8192
mlp_activation	CategoricalParameterRanges	[tanh, relu, linear]
mlp_dim	IntegerParameterRange	MinValue: 16, MaxValue 1024
mlp_layers	IntegerParameterRange	MinValue: 1, MaxValue 4
optimizer	CategoricalParameterRanges	[adagrad, adam, rmsprop, sgd, adadelta]
weight_decay	ContinuousParameterRange	MinValue: 0,0, MaxValue 1,0