線性學習程式演算法

「線性模型」為受監管的學習演算法，用於解決分類或迴歸問題。針對輸入，您提供模型標示範例 (x、y)。x 是一種高維度向量，而 y 是一種數字標籤。針對二元分類問題，標籤必須為 0 或 1。針對多類別分類問題，標籤必須從 0 到 num_classes - 1。針對迴歸問題，y 為實數。演算法會學習線性函數，或者針對分類問題為線性閾值函數，將向量 x 映射到標籤 y 的近似值。

Amazon SageMaker 線性學習程式演算法提供針對分類和迴歸問題的解決方案。使用 SageMaker 演算法，您可同步探索不同的訓練目標，然後從驗證組中選出最佳的解決方案。您也可以探索大量模型，選擇最佳方案。最佳模式會最佳化下列兩項的其中之一：

• 持續目標，例如均方根誤差、跨熵遺失、絕對錯誤。

• 適合分類的分散式目標，例如 F1 測量、精確度、重新叫用或準確度。

相較於僅針對持續目標提供解決方案的方法，SageMaker 線性學習程式演算法運用簡單的超參數最佳化技術大幅提升速度。而且也更方便。

線性學習程式演算法需要資料矩陣，其中包含代表觀察的列以及功能維度的欄。它還需要額外的欄位，包含符合資料點的標籤。Amazon SageMaker 線性學習程式至少會要求您指定輸入和輸出資料位置和目標類型 (分類或迴歸) 做為引數。也需要功能維度。如需更多詳細資訊，請參閱 CreateTrainingJob。您可以在請求本文的 HyperParameters 字串映射中指定額外的參數。這些參數會控制最佳化程序，或您訓練的目標函數規格。例如，epoch、標準化與遺失類型的數量。

如果您使用受管 Spot 訓練，該線性學習程式演算法可支援使用檢查點來建立模型狀態快照。

主題

• 線性學習程式演算法的輸入/輸出介面
• 線性學習程式演算法的 EC2 執行個體建議
• 線性學習程式範例筆記本
• 線性學習程式的運作方式
• 線性學習程式超參數
• 調校線性學習程式模型
• 線性學習程式回應格式

線性學習程式演算法的輸入/輸出介面

Amazon SageMaker 線性學習程式演算法可支援三種資料通道：訓練、驗證 (選用) 與測試 (選用)。如果您提供驗證資料，S3DataDistributionType 應為 FullyReplicated。演算法會記錄每個 epoch 的驗證遺失，並使用驗證資料範例校正與選取最佳模型。如果您不提供驗證資料，則演算法會使用訓練資料範例校正與選取模型。如果您提供測試資料，則演算法日誌會包含最終模型的測試分數。

針對訓練，線性學習程式演算法支援 recordIO-wrapped protobuf 和 CSV 格式。針對 application/x-recordio-protobuf 輸入類型，僅支援 Float32 張量。針對 text/csv 輸入類型，第一個欄位假設為標籤，這是預測的目標變數。您可以使用檔案模式或管道模式訓練 recordIO-wrapped-protobuf 或 CSV 格式資料的線性學習程式模型。

針對推論，線性學習程式演算法支援 application/json、application/x-recordio-protobuf 和 text/csv 格式。當您對新資料進行預測時，格式取決於類型的模型。針對迴歸 (predictor_type='regressor')，score 是模型產生的預測。針對分類 (predictor_type='binary_classifier' 或 predictor_type='multiclass_classifier')，模型會傳回 score，也會傳回 predicted_label。predicted_label 是模型預測的類別，而且 score 會測量該預測的強度。

• 針對二進位分類，predicted_label 是 0 或 1，而 score 是單一浮點數，表示演算法認為標籤應為 1 的程度有多強烈。

• 針對多類別分類，predicted_class 將是從 0 到 num_classes-1 的整數,，而且 score 將是每個類別一個浮點數的清單。

若要解譯分類問題中的 score，您必須考慮所使用的損失函數。如果 loss 超參數值是 logistic (若為二元分類) 或 softmax_loss (若為多類別分類)，則 score 可以解譯為對應類別的機率。當 loss 值是 auto 預設值時，這些是線性學習程式所使用的損失值。但是，如果損失設為 hinge_loss，則分數無法解譯為機率。原因是鉸鏈損失會對應到支援向量分類器，但其不會產生機率預估值。

如需輸入和輸出檔案格式的詳細資訊，請參閱線性學習程式回應格式。如需推論格式的詳細資訊，請參閱線性學習程式範例筆記本。

線性學習程式演算法的 EC2 執行個體建議

線性學習程式演算法可支援 CPU 和 GPU 執行個體，進行訓練和推論。針對 GPU，線性學習程式演算法可支援 P2、P3、G4dn 和 G5 GPU 系列。

在測試期間，找不到重大證據能證明多 GPU 的執行個體比單 GPU 的執行個體快。結果會隨您的特定使用案例而異。

線性學習程式範例筆記本

下表概述了解決 Amazon SageMaker 線性程式演算法不同使用案例的各種範例筆記本。

筆記本標題	描述
MNIST 資料集簡介	我們會使用 MNIST 資料集，訓練二元分類器來預測單一數字。
如何建置一個多類別分類器？	我們會使用 UCI 的 Covertype 資料集，示範如何訓練多類別分類器。
如何建置推論的機器學習（ML）管道？	我們會使用 Scikit 學習容器，示範如何建置端對端機器學習管道。

有關如何建立和存取可用於在 SageMaker 中執行範例的 Jupyter 筆記本執行個體的指示，請參閱 Amazon SageMaker 筆記本實。建立並開啟筆記本執行個體後，請選擇 SageMaker Examples (SageMaker 範例) 索引標籤，查看所有 SageMaker 範例清單。使用線性學習演算法模組化範例筆記本的主題位於 Amazon 演算法簡介一節。若要開啟筆記本，請選擇其 Use (使用) 標籤，然後選擇 Create copy (建立複本)。