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.
Optimieren Sie ein TabTransformer-Modell
Die automatische Modelloptimierung, auch bekannt als Hyperparameteroptimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Training und in den Validierungsdatensätzen testen. Die Modelloptimierung konzentriert sich auf die folgenden Hyperparameter:
Anmerkung
Die Lernzielfunktion und die Bewertungsmetrik werden beide automatisch auf der Grundlage der Art der Klassifikationsaufgabe zugewiesen, die durch die Anzahl der eindeutigen Ganzzahlen in der Beschriftungspalte bestimmt wird. Weitere Informationen finden Sie unter TabTransformer-Hyperparameter.
-
Eine Lernzielfunktion zur Optimierung beim Modelltraining
-
Eine Bewertungsmetrik, die verwendet wird, um die Modellleistung während der Validierung zu bewerten
-
Ein Satz von Hyperparametern und ein Wertebereich für jeden, der bei der automatischen Abstimmung des Modells verwendet werden kann
Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.
Anmerkung
Die automatische Modelloptimierung für TabTransformer ist nur in den Amazon SageMaker AI SDKs verfügbar, nicht in der SageMaker-Konsole.
Mehr Informationen über die Modelloptimierung finden Sie unter Automatisches Modelloptiming mit KI SageMaker.
Mit dem TabTransformer-Algorithmus berechnete Bewertungsmetriken
Der TabTransformer-Algorithmus von SageMaker AI berechnet die folgenden Metriken, die für die Modellvalidierung verwendet werden sollen. Die Bewertungsmetrik wird automatisch auf der Grundlage der Art der Klassifizierungsaufgabe zugewiesen, die durch die Anzahl der eindeutigen Ganzzahlen in der Beschriftungspalte bestimmt wird.
| Metrikname | Beschreibung | Optimierungsrichtung | Regex-Muster |
|---|---|---|---|
r2 |
Oder quadratisch | Maximieren | "metrics={'r2': (\\S+)}" |
f1_score |
Binärkreuzentropie | Maximieren | "metrics={'f1': (\\S+)}" |
accuracy_score |
Kreuzentropie mit mehreren Klassen | Maximieren | "metrics={'accuracy': (\\S+)}" |
Einstellbare TabTransformer-Hyperparameter
Stimmen Sie das TabTransformer-Modell mit den folgenden Hyperparametern ab. Die Hyperparameter, die den größten Einfluss auf die Optimierung der TabTransformer-Bewertungsmetriken haben, sind: learning_rate, input_dim, n_blocks, attn_dropout, mlp_dropout, und frac_shared_embed. Eine Liste aller TabTransformer-Hyperparameter finden Sie unter TabTransformer-Hyperparameter.
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
learning_rate |
ContinuousParameterRanges | MinValue: 0.001, MaxValue: 0.01 |
input_dim |
CategoricalParameterRanges | [16, 32, 64, 128, 256, 512] |
n_blocks |
IntegerParameterRanges | MinValue: 1, MaxValue: 12 |
attn_dropout |
ContinuousParameterRanges | MinValue: 0.0, MaxValue: 0.8 |
mlp_dropout |
ContinuousParameterRanges | MinValue: 0.0, MaxValue: 0.8 |
frac_shared_embed |
ContinuousParameterRanges | MinValue: 0.0, MaxValue: 0.5 |
