Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Hyperparameter für den linearen Lerner Die folgende Tabelle enthält die Hyperparameter für den Algorithmus für das lineare Lernen. Dies sind Parameter, die von Benutzern festgelegt werden, um die Schätzung der Modellparameter aus Daten zu erleichtern. Die obligatorischen Hyperparameter, die festgelegt werden müssen, sind zuerst aufgelistet (in alphabetischer Reihenfolge). Die optionalen Hyperparameter, die festgelegt werden können, sind als Nächstes aufgeführt (ebenfalls in alphabetischer Reihenfolge). Wenn ein Hyperparameter auf eingestellt ist`auto`, berechnet Amazon SageMaker AI automatisch den Wert dieses Hyperparameters und legt ihn fest. | Name des Parameters | Description | | --- | --- | | num\$1classes | Die Anzahl der Klassen für die Antwortvariable. Der Algorithmus geht davon aus, dass Klassen mit `0`, ..., `num_classes - 1` bezeichnet werden. **Erforderlich**, wenn `predictor_type` mit `multiclass_classifier` angegeben ist. Andernfalls wird dies vom Algorithmus ignoriert. Gültige Werte: Ganzzahlen zwischen 3 und 1 000 000 | | predictor\$1type | Gibt den Typ der Zielvariable als binäre Klassifikation, Mehrklassen-Klassifizierung oder Regression an. **Erforderlich** Gültige Werte: `binary_classifier`, `multiclass_classifier` oder `regressor` | | accuracy\$1top\$1k | Bei der Berechnung der Top-K-Genauigkeitsmetrik für die Mehrklassen-Klassifizierung der Wert von *k*. Wenn das Modell der tatsächlichen Bezeichnung eines der Top-K-Punktzahlen zuweist, wird ein Beispiel als korrekt bewertet. **Optional** Gültige Werte: positive Ganzzahlen Standardwert: 3 | | balance\$1multiclass\$1weights | Gibt an, ob die Klassengewichtungen verwendet werden sollen, wodurch jede Klasse in der Verlustfunktion gleiches Gewicht erhält. Wird nur verwendet, wenn `predictor_type` `multiclass_classifier` ist. **Optional** Zulässige Werte: `true`, `false` Standardwert: `false` | | beta\$11 | Die exponentielle Zerfallsrate für Schätzwerte im ersten Schritt. Nur anwendbar, wenn der Wert von `optimizer` gleich `adam` ist. **Optional** Gültige Werte: `auto` oder Gleitkommawert zwischen 0 und 1,0 Standardwert: `auto` | | beta\$12 | Die exponentielle Zerfallsrate für Schätzwerte im zweiten Schritt. Nur anwendbar, wenn der Wert von `optimizer` gleich `adam` ist. **Optional** Gültige Werte: `auto` oder Gleitkomma-Ganzzahl zwischen 0 und 1,0 Standardwert: `auto` | | bias\$1lr\$1mult | Ermöglicht eine andere Lernrate für die Verzerrungsbedingung. Die tatsächliche Lernrate für die Verzerrung ist `learning_rate` \$1 `bias_lr_mult`. **Optional** Gültige Werte: `auto` oder positive Gleitkomma-Ganzzahl Standardwert: `auto` | | bias\$1wd\$1mult | Ermöglicht andere Regularisierung für die Verzerrungsbedingung. Die tatsächliche L2-Regularisierungsgewichtung für die Verzerrung ist `wd` \$1 `bias_wd_mult`. Standardmäßig gibt es keine Regularisierung der Verzerrungsbedingung. **Optional** Gültige Werte: `auto` oder nicht negative Gleitkomma-Ganzzahl Standardwert: `auto` | | binary\$1classifier\$1model\$1selection\$1criteria | Wenn `predictor_type` auf `binary_classifier` festgelegt ist, die Modellbewertungskriterien für den Validierungsdatensatz (oder für den Trainingsdatensatz, wenn Sie keinen Validierungdatensatz angeben). Kriterien sind: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/ll_hyperparameters.html) **Optional** Gültige Werte: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision` oder `loss_function` Standardwert: `accuracy` | | early\$1stopping\$1patience | Die Anzahl der abzuwartenden Epochen, bevor das Training endet, wenn keine Verbesserung in der entsprechenden Metrik erzielt wird. Wenn Sie einen Wert für binary\$1classifier\$1model\$1selection\$1criteria angegeben haben, entspricht die Metrik diesem Wert. Andernfalls entspricht die Metrik dem für den loss-Hyperparameter angegebenen Wert. Die Metrik wird für die Validierungsdaten ausgewertet. Wenn Sie keine Validierungsdaten angegeben haben, entspricht die Metrik immer dem für den `loss`-Hyperparameter angegebenen Wert und wird anhand der Trainingsdaten ausgewertet. Zum Deaktivieren des frühzeitigen Beendens legen Sie `early_stopping_patience` auf einen Wert fest, der größer als der für `epochs` angegebene Wert ist.**Optional**Gültige Werte: Positive GanzzahlStandardwert: 3 | | early\$1stopping\$1tolerance | Die relative Toleranz zur Messung von Verlustverbesserungen. Wenn das Verhältnis der Verlustverbesserung dividiert durch den vorherigen besten Verlust kleiner als dieser Wert ist, betrachtet der Prozess zum frühzeitigen Beenden die Verbesserung als null. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.001 | | epochs | Die maximale Anzahl von Durchläufen der Trainingsdaten. **Optional** Gültige Werte: Positive Ganzzahl Standardwert: 15 | | f\$1beta | Der Wert von Beta zur Berechnung von F-Bewertungsmetriken für binäre oder Mehrklassen-Klassifizierung. Dieser wird auch verwendet, wenn der für `binary_classifier_model_selection_criteria` angegebene Wert `f_beta` lautet. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahlen Standardwert: 1.0 | | feature\$1dim | Die Anzahl der Merkmale der Eingabedaten. **Optional** Gültige Werte: `auto` oder positive Ganzzahl Standardwerte: `auto` | | huber\$1delta | Der Parameter für Huber-Verlust. Während der Trainings- und der Metrikevaluation wird mit einem L2-Verlust für Fehler gerechnet, die kleiner sind als Delta und einem L1-Verlust für Fehler, die größer als Delta sind. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 1.0 | | init\$1bias | Initiale Gewichtung für die Verzerrungsbedingung. **Optional** Gültige Werte: Gleitkomma-Ganzzahl Standardwert: 0 | | init\$1method | Legt die anfängliche Verteilungsfunktion für Modellgewichtungen fest. Zu den Funktionen gehören: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/ll_hyperparameters.html) **Optional** Gültige Werte: `uniform` oder `normal`. Standardwert: `uniform` | | init\$1scale | Skaliert eine erste einheitliche Verteilung für Modellgewichtungen. Gilt nur, wenn der `init_method`-Hyperparameter auf `uniform` festgelegt ist. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.07 | | init\$1sigma | Die anfängliche Standardabweichung für die Normalverteilung. Gilt nur, wenn der `init_method`-Hyperparameter auf `normal` festgelegt ist. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.01 | | l1 | Der L1-Regularisierungsparameter. Wenn Sie die L1-Regularisation nicht verwenden möchten, legen Sie diesen Wert auf 0 fest. **Optional** Gültige Werte: `auto` oder nicht negative Gleitkommazahl Standardwert: `auto` | | learning\$1rate | Die Schrittgröße, die der Optimierer für Parameteraktualisierungen verwendet. **Optional** Gültige Werte: `auto` oder positive Gleitkomma-Ganzzahl Standardwert: `auto`, dessen Wert vom ausgewählten Optimierer abhängt. | | loss | Gibt die Verlustfunktion an. Die verfügbaren Verlustfunktionen und deren Standardwerte hängen von dem Wert von `predictor_type` ab: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/ll_hyperparameters.html) Gültige Werte: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` oder `huber_loss` **Optional** Standardwert: `auto` | | loss\$1insensitivity | Der Parameter für den Epsilon-unempfindlichen Verlusttyp. Während der Trainings- und der Metrikevaluation werden Fehler, die kleiner als dieser Wert sind, als null betrachtet. **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 0.01 | | lr\$1scheduler\$1factor | Bei jedem `lr_scheduler_step`-Hyperparameter verringert sich die Lernrate um diese Menge. Gilt nur, wenn der `use_lr_scheduler`-Hyperparameter auf `true` festgelegt ist. **Optional** Gültige Werte: `auto` oder positive Gleitkomma-Ganzzahl zwischen 0 und 1 Standardwert: `auto` | | lr\$1scheduler\$1minimum\$1lr | Die Lernrate sinkt niemals auf einen Wert kleiner als der für `lr_scheduler_minimum_lr` festgelegte Wert. Gilt nur, wenn der `use_lr_scheduler`-Hyperparameter auf `true` festgelegt ist. **Optional** Gültige Werte: `auto` oder positive Gleitkomma-Ganzzahl Standardwerte: `auto` | | lr\$1scheduler\$1step | Die Anzahl der Schritte zwischen der Verringerung der Lernrate. Gilt nur, wenn der `use_lr_scheduler`-Hyperparameter auf `true` festgelegt ist. **Optional** Gültige Werte: `auto` oder positive Ganzzahl Standardwert: `auto` | | margin | Der Rand für die `hinge_loss`-Funktion **Optional** Gültige Werte: positive Gleitkomma-Ganzzahl Standardwert: 1.0 | | mini\$1batch\$1size | Die Anzahl der Beobachtungen pro Mini-Stapel für den Dateniterator. **Optional** Gültige Werte: Positive Ganzzahl Standardwert: 1000 | | momentum | Die Dynamik des `sgd`-Optimierers. **Optional** Gültige Werte: `auto` oder eine Gleitkomma-Ganzzahl zwischen 0 und 1,0 Standardwert: `auto` | | normalize\$1data | Normalisiert die Merkmalsdaten vor dem Training. Die Datennormalisierung verschiebt die Daten für jedes Merkmal auf einen Mittelwert von 0 und skaliert so, dass sich eine einheitliche Standardabweichung ergibt. **Optional** Gültige Werte: `auto`, `true` oder `false` Standardwert: `true` | | normalize\$1label | Normalisiert die Kennzeichnung. Durch die Normalisierung wird die Bezeichnung auf einen Mittelwert von 0 verschoben und skaliert, um eine einheitliche Standardabweichung zu erreichen. Der Standardwert `auto` normalisiert die Bezeichnung für Regressionsprobleme, nicht aber für Klassifizierungsprobleme. Wenn Sie den `normalize_label`-Hyperparameter bei Klassifizierungsproblemen auf `true` festlegen, wird er vom Algorithmus ignoriert. **Optional** Gültige Werte: `auto`, `true` oder `false` Standardwert: `auto` | | num\$1calibration\$1samples | Die Anzahl der aus dem Validierungsdatensatz für die Modellkalibrierung zu verwendenden Beobachtungen (beim Suchen des besten Schwellenwerts). **Optional** Gültige Werte: `auto` oder positive Ganzzahl Standardwert: `auto` | | num\$1models | Die Anzahl der parallel zu schulenden Modelle. Beim Standardwert `auto` entscheidet der Algorithmus über die Anzahl der parallel zu schulenden Modelle. Ein Modell wird entsprechend den vorgegebenen Trainingsparametern trainiert (Regularisierung, Optimierer, Verlust) und die übrigen durch ähnliche Parameter. **Optional** Gültige Werte: `auto` oder positive Ganzzahl Standardwerte: `auto` | | num\$1point\$1for\$1scaler | Die Anzahl der Datenpunkte, die zur Berechnung der Normalisierung oder Entzerrung der Bedingungen verwendet werden. **Optional** Gültige Werte: Positive Ganzzahl Standardwert: 10,000 | | optimizer | Der Optimierungsalgorithmus, der verwendet werden soll. **Optional** Zulässige Werte: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/ll_hyperparameters.html) Standardwert: `auto`. Die Standardeinstellung für `auto` ist `adam`. | | positive\$1example\$1weight\$1mult | Die Gewichtung, die positiven Beispielen beim Training mit binärer Klassifizierung zugewiesen wird. Das Gewichtung von negativen Beispielen ist auf 1 festgelegt. Wenn der Algorithmus eine Gewichtung auswählen soll, mit der Fehler bei der Klassifizierung positiver *und* negativer Beispiele den gleichen Einfluss auf den Trainingsverlust haben, geben Sie `balanced` an. Wenn Sie möchten, dass der Algorithmus die Gewichtung auswählt, mit der die Leistung optimiert wird, geben Sie `auto` an. **Optional** Gültige Werte: `balanced`, `auto`oder eine positive Gleitkomma-Ganzzahl Standardwert: 1.0 | | quantile | Das Quantil für Quantilverlust. Das Modell versucht für das Quantil q Prognosen zu erstellen, sodass der Wert von `true_label` größer ist als die Prognose mit der Wahrscheinlichkeit q. **Optional** Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1 Standardwert: 0.5 | | target\$1precision | Die Zielpräzision. Wenn `binary_classifier_model_selection_criteria` den Wert `recall_at_target_precision` hat, wird die Präzision auf diesem Wert gehalten, während der Recall maximiert wird. **Optional** Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1.0 Standardwert: 0.8 | | target\$1recall | Der Ziel-Recall. Wenn `binary_classifier_model_selection_criteria` den Wert `precision_at_target_recall` hat, wird der Recall auf diesem Wert gehalten, während die Präzision maximiert wird. **Optional** Gültige Werte: Gleitkomma-Ganzzahl zwischen 0 und 1.0 Standardwert: 0.8 | | unbias\$1data | Entfernt Verzerrungen der Merkmale vor dem Training, sodass der Mittelwert 0 ist. Standardmäßig sind die Daten unverzerrt, wenn der `use_bias`-Hyperparameter auf `true` gesetzt wurde. **Optional** Gültige Werte: `auto`, `true` oder `false` Standardwert: `auto` | | unbias\$1label | Entfernt Verzerrungen der Kennzeichnungen vor dem Training, sodass der Mittelwert 0 ist. Gilt nur bei Regression, wenn der `use_bias`-Hyperparameter auf `true` festgelegt ist. **Optional** Gültige Werte: `auto`, `true` oder `false` Standardwert: `auto` | | use\$1bias | Gibt an, ob das Modell eine Verzerrungsbedingung enthalten soll. Dabei handelt es sich um die Intercept-Bedingung in der linearen Gleichung. **Optional** Gültige Werte: `true` oder `false`. Standardwert: `true` | | use\$1lr\$1scheduler | Gibt an, ob ein Scheduler für die Lernrate verwendet werden soll. Wenn Sie einen Scheduler verwenden möchten, geben Sie `true` an. **Optional** Gültige Werte: `true` oder `false`. Standardwert: `true` | | wd | Der Weight-Decay-Parameter, auch bekannt als L2-Regularisationsparameter. Wenn Sie die L2-Regularisation nicht verwenden möchten, legen Sie diesen Wert auf 0 fest. **Optional** Gültige Werte: `auto` oder nicht negative Gleitkomma-Ganzzahl Standardwert: `auto` |