本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
調校 DeepAR 模型
自動模型調校，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。
如需模型調校的詳細資訊，請參閱執行自動模型調整 SageMaker。
由 DeepAR 演算法運算的指標
DeepAR 演算法會報告三個指標，這三個指標都是在訓練期間運算而得。調校模型時，請選擇這些指標中的其中一個做為目標。針對目標，請使用所提供測試通道上的預測準確度 (建議) 或訓練損失。如需 DeepAR 演算法訓練/測試分割的建議事項，請參閱 使用 DeepAR 演算法的最佳實務。
| 指標名稱 | 描述 | 最佳化方向 |
|---|---|---|
test:RMSE |
預測和測試集上實際運算目標之間的均方根誤差。 |
最小化 |
test:mean_wQuantileLoss |
在測試集上運算而得到的平均整體分位數損失。若要控制要使用的分位數，請設定 |
最小化 |
train:final_loss |
模型中最後一個訓練 epoch 內的平均負 log 可能性 (negative log-likelihood)。 |
最小化 |
DeepAR 演算法之可調校的超參數
使用下列超參數調校 DeepAR 模型。依照程度最大到程度最小進行排序，對 DeepAR 目標指標影響程度最大的超參數為：epochs、context_length、mini_batch_size、learning_rate 與 num_cells。
| 參數名稱 | 參數類型 | 建議範圍 |
|---|---|---|
epochs |
|
MinValue：一、 MaxValue千 |
context_length |
|
MinValue：一、 MaxValue二百 |
mini_batch_size |
|
MinValue：三十二 MaxValue |
learning_rate |
|
MinValue: 一歲至五, MaxValue: 1 電 -1 |
num_cells |
|
MinValue: 三十, MaxValue: 二百 |
num_layers |
|
MinValue: 一, MaxValue: 八 |
dropout_rate |
|
MinValue MaxValue：0， |
embedding_dimension |
|
MinValue：一、 MaxValue五十 |
