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 Modell TabTransformer
<a name="tabtransformer-tuning"></a>

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 Datensatz 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](tabtransformer-hyperparameters.md).
+ 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 bei Amazon verfügbar SageMaker SDKs, nicht über die SageMaker KI-Konsole.

Mehr Informationen über die Modelloptimierung finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md).

## Vom Algorithmus berechnete Bewertungsmetriken TabTransformer
<a name="tabtransformer-metrics"></a>

Der SageMaker TabTransformer KI-Algorithmus 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 | Description | Optimierungsrichtung | Regex-Muster | 
| --- | --- | --- | --- | 
| r2 | Oder quadratisch | Maximieren | "metrics=\$1'r2': (\$1\$1S\$1)\$1" | 
| f1\$1score | Binärkreuzentropie | Maximieren | "metrics=\$1'f1': (\$1\$1S\$1)\$1" | 
| accuracy\$1score | Kreuzentropie mit mehreren Klassen | Maximieren | "metrics=\$1'accuracy': (\$1\$1S\$1)\$1" | 

## Einstellbare Hyperparameter TabTransformer
<a name="tabtransformer-tunable-hyperparameters"></a>

Optimieren Sie das TabTransformer Modell mit den folgenden Hyperparametern. 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](tabtransformer-hyperparameters.md)


| Name des Parameters | Parametertyp | Empfohlene Bereiche | 
| --- | --- | --- | 
| learning\$1rate | ContinuousParameterRanges | MinValue: 0,001, MaxValue: 0,01 | 
| input\$1dim | CategoricalParameterRanges | [16, 32, 64, 128, 256, 512] | 
| n\$1blocks | IntegerParameterRanges | MinValue: 1, MaxValue: 12 | 
| attn\$1dropout | ContinuousParameterRanges | MinValue: 0,0, MaxValue: 0,8 | 
| mlp\$1dropout | ContinuousParameterRanges | MinValue: 0,0, MaxValue: 0,8 | 
| frac\$1shared\$1embed | ContinuousParameterRanges | MinValue: 0,0, MaxValue: 0,5 |