Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# AutoGluon-Hiperparámetros tabulares
<a name="autogluon-tabular-hyperparameters"></a>

La siguiente tabla contiene el subconjunto de hiperparámetros que se requieren o se utilizan con más frecuencia para el algoritmo tabular Amazon SageMaker AI AutoGluon. Los usuarios establecen estos parámetros para facilitar la estimación de los parámetros del modelo a partir de los datos. [El algoritmo SageMaker AutoGluon AI-Tabular es una implementación del paquete -Tabular de código abierto. AutoGluon](https://github.com/awslabs/autogluon)

**nota**  
Los hiperparámetros predeterminados se basan en conjuntos de datos de ejemplo de [AutoGluon-Ejemplos de cuadernos tabulares](autogluon-tabular.md#autogluon-tabular-sample-notebooks).

De forma predeterminada, el algoritmo SageMaker AutoGluon AI-Tabular elige automáticamente una métrica de evaluación en función del tipo de problema de clasificación. El algoritmo AutoGluon-Tabular detecta el tipo de problema de clasificación a partir del número de etiquetas en los datos. Para los problemas de regresión, la métrica de evaluación es la raíz del error cuadrático medio. Para problemas de clasificación binaria, la métrica de evaluación es el área bajo la curva característica de funcionamiento del receptor (AUC). Para los problemas de clasificación multiclase, la métrica de evaluación es la precisión. Puede usar el hiperparámetro `eval_metric` para cambiar la métrica de evaluación predeterminada. Consulte la siguiente tabla para obtener más información sobre los hiperparámetros AutoGluon tabulares, incluidas las descripciones, los valores válidos y los valores predeterminados.


| Nombre del parámetro | Description (Descripción) | 
| --- | --- | 
| eval\$1metric |  Métricas de evaluación de los datos de validación. Si `eval_metric` se establece en el valor `"auto"` predeterminado, el algoritmo elige automáticamente una métrica de evaluación en función del tipo de problema de clasificación: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) Valores válidos: cadena; consulte la [AutoGluon documentación](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html) para ver los valores válidos. Valor predeterminado: `"auto"`.  | 
| presets |  Lista de configuraciones predefinidas para varios argumentos en `fit()`.  [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) Para obtener más información, consulte [AutoGluon Predictores.](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html) Valores válidos: cadena (cualquiera de `"best_quality"`, `"high_quality"`, `good_quality"`, `"medium_quality"`, `"optimize_for_deployment"` o ` or "interpretable"`). Valor predeterminado: `"medium_quality"`.  | 
| auto\$1stack |  Si AutoGluon debería utilizar automáticamente el empaquetado y el ensamblaje de pilas multicapa para aumentar la precisión predictiva. Configure `auto_stack` en `"True"` si está dispuesto a tolerar tiempos de entrenamiento más largos para maximizar la precisión predictiva. Esto establece automáticamente los argumentos `num_bag_folds` y `num_stack_levels` en función de las propiedades del conjunto de datos.  Valores válidos: cadena, `"True"` o `"False"`. Valor predeterminado: `"False"`.  | 
| num\$1bag\$1folds |  Número de particiones utilizadas para el bagging de los modelos. Cuando `num_bag_folds` es igual a `k`, el tiempo de entrenamiento se incrementa aproximadamente en un factor de `k`. Ponga `num_bag_folds` a 0 para desactivar el bagging. Esta opción está desactivada de forma predeterminada, pero recomendamos utilizar valores de entre 5 y 10 para maximizar el rendimiento predictivo. El aumento de `num_bag_folds` da como resultado modelos con un sesgo más bajo, pero que son más propensos a sobreajustarse. 1 es un valor no válido para este parámetro y generará un `ValueError`. Los valores superiores a 10 pueden producir rendimientos decrecientes e incluso pueden influir negativamente en los resultados generales debido al sobreajuste. Para mejorar aún más las predicciones, evite aumentar `num_bag_folds`; en su lugar, aumente `num_bag_sets`. Valores válidos: cadena, cualquier número entero entre `"0"` y `"10"` (ambos incluidos). Valor predeterminado: `"0"`.  | 
| num\$1bag\$1sets |  Número de repeticiones del bagging de kfold que se van a realizar (los valores deben ser mayores o iguales a 1). El número total de modelos entrenados durante el bagging es igual a `num_bag_folds` \$1 `num_bag_sets`. El valor predeterminado de este parámetro es 1 si no se especifica `time_limit`. Este parámetro está deshabilitado si no se especifica `num_bag_folds`. Los valores superiores a 1 dan como resultado un rendimiento predictivo superior, especialmente en problemas más pequeños y con el apilamiento activado.  Valores válidos: entero, rango [`1`, `20`]. Valor predeterminado: `1`.  | 
| num\$1stack\$1levels |  Número de niveles de apilamiento que se van a utilizar en el conjunto de pilas. Aumenta aproximadamente el tiempo de entrenamiento del modelo en un factor de `num_stack_levels` \$1 1. Establezca este parámetro en 0 para desactivar el ensamblado de pilas. Este parámetro está desactivado de forma predeterminada, pero recomendamos utilizar valores de entre 1 y 3 para maximizar el rendimiento predictivo. Para evitar un sobreajuste y un `ValueError`, `num_bag_folds` debe ser mayor o igual a 2. Valores válidos: flotante, con el rango [`0`, `3`]. Valor predeterminado: `0`.  | 
| refit\$1full |  Si se deben volver a entrenar o no todos los modelos con todos los datos (entrenamiento y validación) tras el procedimiento de entrenamiento normal. [Para obtener más información, consulte Predictores. AutoGluon ](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html) Valores válidos: cadena, `"True"` o `"False"`. Valor predeterminado: `"False"`.  | 
| set\$1best\$1to\$1refit\$1full |  Si se debe cambiar o no el modelo predeterminado que el predictor utiliza para la predicción. Si `set_best_to_refit_full` se establece en `"True"`, el modelo predeterminado cambia al modelo que presentó la puntuación de validación más alta como resultado del reajuste (activado por `refit_full`). Solo es válido si `refit_full` está establecido. Valores válidos: cadena, `"True"` o `"False"`. Valor predeterminado: `"False"`.  | 
| save\$1space |  Si se debe reducir la memoria y el tamaño del disco del predictor mediante la eliminación de los archivos de modelo auxiliares que no son necesarios para la predicción de datos nuevos. Esto no afecta a la precisión de las inferencias. Recomendamos establecer `save_space` en `"True"` si el único objetivo es utilizar el modelo entrenado para la predicción. Es posible que algunas funciones avanzadas ya no estén disponibles si `save_space` se establece en `"True"`. Consulte la documentación de `[predictor.save\$1space()](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.save_space.html)` para obtener más información. Valores válidos: cadena, `"True"` o `"False"`. Valor predeterminado: `"False"`.  | 
| verbosity |  La verbosidad de los mensajes de impresión. Los niveles de `verbosity` van de `0` a `4`, y los niveles más altos corresponden a declaraciones de impresión más detalladas. Una `verbosity` de `0` suprime las advertencias.  Valores válidos: entero (`0`, `1`, `2`, `3` o `4`). Valor predeterminado: `2`.  |