線性學習程式超參數

下表包含線性學習程式演算法的超參數。這些是由使用者設定的參數，用來協助從資料預估模型參數。首先列出的是必須設定的超參數，依字母順序排列。接著列出的是選用的超參數，也是依字母順序排列。將超參數設定為時auto，Amazon SageMaker 將自動計算並設定該超參數的值。

參數名稱	描述
num_classes	回應變數的類別數。演算法假設類別標示為 0、...、num_classes - 1。 當 predictor_type 為 multiclass_classifier 時，則為必要。否則，演算法會忽略它。 有效值：3 到 1,000,000 的整數
predictor_type	將目標變數類型指定為二元分類、多類別分類，或迴歸。 必要 有效值：binary_classifier、multiclass_classifier 或 regressor
accuracy_top_k	運算多類別分類的 top-k 準確性指標時，值為 k。如果模型將其中一個 top-k 分數指派給真正的標籤，範例會評分為正確。 選用 有效值：正整數 預設值：3
balance_multiclass_weights	指定是否使用類別加權，讓每個類別在遺失函數中都有相同的重要性。僅在 predictor_type 為 multiclass_classifier 時使用。 選用 有效值：true、false 預設值：false
beta_1	第一時間預估的指數衰減率。僅在 optimizer 值為 adam 時才適用。 選用 有效值：auto 或介於 0 和 1.0 之間的浮點值 預設值：auto
beta_2	第二時間預估的指數衰減率。僅在 optimizer 值為 adam 時才適用。 選用 有效值：auto 或介於 0 和 1.0 之間的浮點整數 預設值：auto
bias_lr_mult	允許偏差項有不同學習率。偏差的實際學習率為 learning_rate * bias_lr_mult。 選用 有效值：auto 或浮點正整數 預設值：auto
bias_wd_mult	允許偏差項有不同的正規化。偏差的實際 L2 正規化權重為 wd * bias_wd_mult。根據預設，偏差項上沒有正規化。 選用 有效值：auto 或浮點非負整數 預設值：auto
binary_classifier_model_selection_criteria	當 predictor_type 設為 binary_classifier 時，驗證資料集的模型評估條件 (或如不提供驗證資料集，則為訓練資料集)。條件包括： accuracy——有最高準確性的模型。 f_beta——有最高 f1 分數的模型。預設值為 F1。 precision_at_target_recall——在指定回呼目標上有最高精確度的模型。 recall_at_target_precision——在指定精確度目標上有最高回呼的模型。 loss_function——有訓練中使用的最低損失函數值的模型。 選用 有效值：accuracy、f_beta、precision_at_target_recall、recall_at_target_precision 或 loss_function 預設值：accuracy
early_stopping_patience	若未在相關指標中進行改善，結束訓練前要等待的 epoch 數量。如已針對 binary_classifier_model_selection_criteria 提供值，指標即為該值。否則，指標會與針對 loss 超參數所指定的值相同。 在驗證資料上評估的指標。如果尚未提供驗證資料，則指標一律與針對 loss 超參數所指定的值相同，並針對訓練資料進行評估。若要停用提早停止，請將 early_stopping_patience 值設為大於針對 epochs 所指定的值。 選用 有效值：正整數 預設值：3
early_stopping_tolerance	測量遺失中改善的相對容錯度。如遺失中的改善率除以過去最佳遺失率的結果小於此值，提早停止會將改善率視為 0。 選用 有效值：浮點正整數 預設值：0.001
epochs	針對訓練資料的最高傳遞次數。 選用 有效值：正整數 預設值：15
f_beta	計算二元或多類別分類的 F 分數指標時要使用的 beta 值。如果針對 binary_classifier_model_selection_criteria 指定的值為 f_beta，也使用它。 選用 有效值：浮點正整數 預設值：1.0
feature_dim	輸入資料中的特徵數量。 選用 有效值：auto 或正整數 預設值：auto
huber_delta	Huber 遺失的參數。在培訓與指標評估期間，運算小於 delta 的 L2 遺失的錯誤值，並運算大於 delta 的 L1 遺失錯誤值。 選用 有效值：浮點正整數 預設值：1.0
init_bias	偏差項的初始權重。 選用 有效值：浮點整數 預設值：0
init_method	設定用於模型權重的初始分發函數。函數包括： uniform——(-scale, +scale) 之間均勻分佈 normal——常態分佈，平均值為 0 和 Sigma 選用 有效值：uniform 或 normal 預設值：uniform
init_scale	調整模型權重的初始均勻分布。僅在 init_method 超參數設為 uniform 時套用。 選用 有效值：浮點正整數 預設值：0.07
init_sigma	常態分布的初始標準偏差。僅在 init_method 超參數設為 normal 時套用。 選用 有效值：浮點正整數 預設值：0.01
l1	L1 正規化參數。如不希望使用 L1 正規化，請將此值設為 0。​ 選用 有效值：auto 或非負浮點數 預設值：auto
learning_rate	參數更新最佳化工具使用的步驟大小。 選用 有效值：auto 或浮點正整數 預設值：auto，其值取決於所選擇的最佳化工具。
loss	指定遺失函數。 可用的損失函數及其預設值取決於 predictor_type 的值： 如果 predictor_type 設定為 regressor，則可用的選項為 auto、squared_loss、absolute_loss、eps_insensitive_squared_loss、eps_insensitive_absolute_loss、quantile_loss 和 huber_loss。auto 的預設值為 squared_loss。 如果 predictor_type 設定為 binary_classifier，則可用的選項為 auto、logistic 和 hinge_loss。auto 的預設值為 logistic。 如果 predictor_type 設定為 multiclass_classifier，則可用的選項為 auto 和 softmax_loss。auto 的預設值為 softmax_loss。 有效值：auto、logistic、squared_loss、absolute_loss、hinge_loss、eps_insensitive_squared_loss、eps_insensitive_absolute_loss、quantile_loss 或 huber_loss 選用 預設值：auto
loss_insensitivity	小量低敏感度遺失類型的參數。在訓練和指標評估期間，任何小於此值的錯誤皆視為零。 選用 有效值：浮點正整數 預設值：0.01
lr_scheduler_factor	針對每個 lr_scheduler_step 超參數，學習率會依此數量下降。僅在 use_lr_scheduler 超參數設為 true 時套用。 選用 有效值：auto 或介於 0 和 1 之間的浮點正整數 預設值：auto
lr_scheduler_minimum_lr	學習率永遠不會下降至低於針對 lr_scheduler_minimum_lr 所設定的值。僅在 use_lr_scheduler 超參數設為 true 時套用。 選用 有效值：auto 或浮點正整數 預設值：auto
lr_scheduler_step	學習率下降級數之間的步驟數量。僅在 use_lr_scheduler 超參數設為 true 時套用。 選用 有效值：auto 或正整數 預設值：auto
margin	hinge_loss 函數的邊際。 選用 有效值：浮點正整數 預設值：1.0
mini_batch_size	資料反覆運算器每個微型批次的觀察項數量。 選用 有效值：正整數 預設值：1000
momentum	sgd 最佳化工具的動能。 選用 有效值：auto 或介於 0 和 1.0 之間的浮點整數 預設值：auto
normalize_data	在訓練前標準化特徵資料。資料標準化會將每個特徵的資料移至平均值為零，再加以調整以符合單位標準偏差。 選用 有效值：auto、true 或 false 預設值：true
normalize_label	標準化標籤。標籤標準化會將標籤移至平均值為零，再加以調整以符合單位標準偏差。 auto 預設值會將迴歸問題的標籤標準化，但不適用於分類問題。如果您針對分類問題將 normalize_label 超參數設為 true，則演算法會忽略它。 選用 有效值：auto、true 或 false 預設值：auto
num_calibration_samples	用於模型校正之驗證資料集的觀察數量 (尋找最佳閾值時)。 選用 有效值：auto 或正整數 預設值：auto
num_models	平行訓練的模型數量。針對預設值 auto，演算法會決定要訓練的平行模型數量。根據指定培訓參數 (正規化、最佳化工具、遺失) 來培訓一個模型，而其他模型則使用封閉式參數培訓。 選用 有效值：auto 或正整數 預設值：auto
num_point_for_scaler	用於計算標準化或取消項目偏差的資料點數量。 選用 有效值：正整數 預設值：10,000
optimizer	要使用的最佳化演算法。 選用 有效值： auto——預設值。 sgd——Stochastic gradient descent。 adam——Adaptive momentum estimation。 rmsprop——以漸層為基礎的最佳化技術，該技術使用平方漸層的移動平均值來標準化漸層。 預設值：auto。auto 的預設設定為 adam。
positive_example_weight_mult	訓練二元分類工具時指派給正面範例的權重。負面範例的權重固定為 1。如果希望演算法選擇權重，讓分類負面 vs. 正面範例的錯誤對於訓練遺失產生同等影響，請指定 balanced。如果希望演算法選擇最佳化效能的權重，請指定 auto。 選用 有效值：balanced、auto 或浮點正整數 預設值：1.0
quantile	分位數遺失的分位數。針對分位數 q，模型會嘗試產生預測，讓 true_label 的值大於使用機率 q 的預測。 選用 有效值：介於 0 和 1 之間的浮點整數 預設值：0.5
target_precision	目標精確度。如果 binary_classifier_model_selection_criteria 是 recall_at_target_precision，則精確度會保留在這個值，同時最大化取回。 選用 有效值：介於 0 和 1.0 之間的浮點整數 預設值：0.8
target_recall	目標取回。如果 binary_classifier_model_selection_criteria 是 precision_at_target_recall，則取回會保留在這個值，同時最大化精確度。 選用 有效值：介於 0 和 1.0 之間的浮點整數 預設值：0.8
unbias_data	在訓練前取消功能的偏差，讓平均值為 0。根據預設，當 use_bias 超參數設為 true 時，則取消資料偏差。 選用 有效值：auto、true 或 false 預設值：auto
unbias_label	在訓練前取消標籤的偏差，讓平均值為 0。僅在 use_bias 超參數設為 true 時套用至迴歸。 選用 有效值：auto、true 或 false 預設值：auto
use_bias	指定模型是否應該包含偏差項，這是線性方程式中的攔截項。 選用 有效值：true 或 false 預設值：true
use_lr_scheduler	學習率是否使用排程工具。如果您想要使用排程工具，請指定 true。 選用 有效值：true 或 false 預設值：true
wd	權重衰減參數，也稱為 L2 正規化參數。如不希望使用 L2 正規化，請將此值設為 0。​ 選用 有效值：auto 或浮點非負整數 預設值：auto