調校 RCF 模型

自動模型調校，又稱為超參數調校或超參數最佳化，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。

Amazon SageMaker RCF 演算法是一種無監督的異常偵測演算法，需要有標籤的測試資料集才能進行超參數最佳化。RCF 會為測試資料點計算異常分數，然後在資料點的分數超過遠離平均分數三個標準差時，將其標籤為異常。這又稱為三標準差限制試誤法 (three-sigma limit heuristic)。F1 分數是依據計算標籤和實際標籤之間的差異。超參數調校任務會尋找將該分數最大化的模型。超參數最佳化是否成功，取決於三標準差限制試誤法對測試資料集的適用性。

如需模型調校的詳細資訊，請參閱執行自動模型調整 SageMaker。

RCF 演算法運算的指標

RCF 演算法會在訓練期間運算下列指標。調校模型時，請選擇此指標做為目標指標。

指標名稱	描述	最佳化方向
test:f1	測試資料集上的 F1 分數，根據計算標籤和實際標籤之間的差異。	最大化

可調校 RCF 超參數

您可以使用下列超參數調校 RCF 模型。

參數名稱	參數類型	建議範圍
num_samples_per_tree	IntegerParameterRanges	MinValue: 1、: MaxValue
num_trees	IntegerParameterRanges	MinValue：五 MaxValue十