調校線性學習程式模型

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。

線性學習程式演算法也有內部機制可調校超參數，與此處描述的自動模型調校功能有所區隔。根據預設，線性學習程式演算法會透過平行訓練多個模型來調校超參數。當您使用自動模型調校時，線性學習程式的內部調校機制會自動關閉。這會將平行模型的數量 num_models 設為 1。演算法會忽略您針對 num_models 設定的任何值。

如需模型調校的詳細資訊，請參閱使用 SageMaker AI 自動調校模型。

依線性學習程式演算法運算的指標

線性學習程式演算法回報下表中的指標，它們是在訓練期間計算的。選擇其中一個做為目標指標。為了避免過度擬合，建議您針對驗證指標調校模型，不是針對訓練指標。

指標名稱	描述	最佳化方向
test:absolute_loss	測試資料集之最終模型的絕對損失。此目標指標僅對迴歸有效。	最小化
test:binary_classification_accuracy	測試資料集之最終模型的準確性。此目標指標僅對二元分類有效。	最大化
test:binary_f_beta	測試資料集之最終模型的 F-beta 分數。根據預設是 F1 分數，這是精確度和回呼的調和平均數。此目標指標僅對二元分類有效。	最大化
test:dcg	測試資料集之最終模型的折扣累積增益。此目標指標僅對多類別分類有效。	最大化
test:macro_f_beta	測試資料集之最終模型的 F-beta 分數。此目標指標僅對多類別分類有效。	最大化
test:macro_precision	測試資料集之最終模型的精確度分數。此目標指標僅對多類別分類有效。	最大化
test:macro_recall	測試資料集之最終模型的回呼分數。此目標指標僅對多類別分類有效。	最大化
test:mse	測試資料集之最終模型的均方誤差。此目標指標僅對迴歸有效。	最小化
test:multiclass_accuracy	測試資料集之最終模型的準確性。此目標指標僅對多類別分類有效。	最大化
test:multiclass_top_k_accuracy	測試資料集之預測的前 k 個標籤之間的準確性。如果您選擇此指標做為目標，建議您使用 accuracy_top_k 超參數設定 k 的值。此目標指標僅對多類別分類有效。	最大化
test:objective_loss	模型訓練後之測試資料集的目標遺失函式平均值。根據預設，遺失是二元分類的邏輯遺失和迴歸的平方遺失。若要將遺失設定成其他類型，請使用 loss 超參數。	最小化
test:precision	測試資料集之最終模型的精確度。如果您選擇此指標做為目標，建議您將 binary_classifier_model_selection 超參數設成 precision_at_target_recall，並設定 target_recall 超參數的值，以設定目標回呼。此目標指標僅對二元分類有效。	最大化
test:recall	測試資料集之最終模型的回呼。如果您選擇此指標做為目標，建議您將 binary_classifier_model_selection 超參數設為 recall_at_target_precision，並設定 target_precision 超參數的值，以設定目標精確度。此目標指標僅對二元分類有效。	最大化
test:roc_auc_score	測試資料集之最終模型接收操作特徵曲線 (ROC 曲線) 以下的區域。此目標指標僅對二元分類有效。	最大化
validation:absolute_loss	驗證資料集之最終模型的絕對損失。此目標指標僅對迴歸有效。	最小化
validation:binary_classification_accuracy	驗證資料集之最終模型的準確性。此目標指標僅對二元分類有效。	最大化
validation:binary_f_beta	驗證資料集之最終模型的 F-beta 分數。根據預設，F-beta 分數是 F1 分數，這是 validation:precision 和 validation:recall 指標的調和平均數。此目標指標僅對二元分類有效。	最大化
validation:dcg	驗證資料集之最終模型的折扣累積增益。此目標指標僅對多類別分類有效。	最大化
validation:macro_f_beta	驗證資料集之最終模型的 F-beta 分數。此目標指標僅對多類別分類有效。	最大化
validation:macro_precision	驗證資料集之最終模型的精準度分數。此目標指標僅對多類別分類有效。	最大化
validation:macro_recall	驗證資料集之最終模型的回呼分數。此目標指標僅對多類別分類有效。	最大化
validation:mse	驗證資料集之最終模型的均方誤差。此目標指標僅對迴歸有效。	最小化
validation:multiclass_accuracy	驗證資料集之最終模型的準確性。此目標指標僅對多類別分類有效。	最大化
validation:multiclass_top_k_accuracy	驗證資料集之預測的前 k 個標籤之間的準確性。如果您選擇此指標做為目標，建議您使用 accuracy_top_k 超參數設定 k 的值。此目標指標僅對多類別分類有效。	最大化
validation:objective_loss	驗證資料集每個 epoch 上目標遺失函式的平均值。根據預設，遺失是二元分類的邏輯遺失和迴歸的平方遺失。若要將遺失設定成其他類型，請使用 loss 超參數。	最小化
validation:precision	驗證資料集之最終模型的精準度。如果您選擇此指標做為目標，建議您將 binary_classifier_model_selection 超參數設成 precision_at_target_recall，並設定 target_recall 超參數的值，以設定目標回呼。此目標指標僅對二元分類有效。	最大化
validation:recall	驗證資料集之最終模型的回呼。如果您選擇此指標做為目標，建議您將 binary_classifier_model_selection 超參數設為 recall_at_target_precision，並設定 target_precision 超參數的值，以設定目標精確度。此目標指標僅對二元分類有效。	最大化
validation:rmse	驗證資料集之最終模型的均方根誤差。此目標指標僅對迴歸有效。	最小化
validation:roc_auc_score	驗證資料集之最終模型接收操作特徵曲線 (ROC 曲線) 以下的區域。此目標指標僅對二元分類有效。	最大化

調校線性學習程式超參數

您可以使用以下超參數調校線性學習程式模型。

參數名稱	參數類型	建議範圍
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