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. # Hiperparámetros de aprendizaje lineal La siguiente tabla contiene los hiperparámetros del algoritmo de aprendizaje lineal. Estos son los parámetros que establecen los usuarios para facilitar la estimación de los parámetros del modelo a partir de los datos. Los hiperparámetros necesarios que deben establecerse se enumerarán en primer lugar, en orden alfabético. Los hiperparámetros opcionales que se pueden establecer aparecen a continuación en la lista, también en orden alfabético. Cuando un hiperparámetro se establece en`auto`, Amazon SageMaker AI calculará y establecerá automáticamente el valor de ese hiperparámetro. | Nombre del parámetro | Description (Descripción) | | --- | --- | | num\$1classes | El número de clases para la respuesta variable. El algoritmo presupone que las clases se etiquetan `0`, ..., `num_classes - 1`. **Obligatorio** cuando `predictor_type` es `multiclass_classifier`. De lo contrario, el algoritmo hace caso omiso de él. Valores válidos: Enteros comprendidos entre 3 y 1 000 000. | | predictor\$1type | Especifica el tipo de variable de destino como una clasificación binaria, clasificación de varias clases, o regresión. **Obligatorio** Valores válidos: `binary_classifier`, `multiclass_classifier` o `regressor` | | accuracy\$1top\$1k | A la hora de calcular la métrica de precisión de top-k para la clasificación de varias clases, el valor de *k*. Si el modelo asigna una de las puntuaciones top-k a la verdadera etiqueta, el ejemplo será puntuado como correcto. **Opcional** Valores válidos: enteros positivos Valor predeterminado: 3 | | balance\$1multiclass\$1weights | Especifica si se debe usar ponderaciones de clase, que proporcionan a cada clase igual importancia en la función de pérdida. Solo se usa cuando el `predictor_type` es `multiclass_classifier`. **Opcional** Valores válidos: `true`, `false` Valor predeterminado: `false` | | beta\$11 | Tasa de decremento exponencial para las estimaciones del primer momento. Se aplica solo cuando el valor de `optimizer` es `adam`. **Opcional** Valores válidos: `auto` o de valor de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto` | | beta\$12 | Tasa de decremento exponencial para las estimaciones de segundo momento. Se aplica solo cuando el valor de `optimizer` es `adam`. **Opcional** Valores válidos: `auto` o entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto` | | bias\$1lr\$1mult | Permite una tasa de aprendizaje diferente para el plazo de sesgo. La tasa de aprendizaje real para el sesgo es `learning_rate` \$1 `bias_lr_mult`. **Opcional** Valores válidos: `auto` o entero positivo de punto flotante Valor predeterminado: `auto` | | bias\$1wd\$1mult | Permite una regularización diferente para el plazo de sesgo. La ponderación de regularización de L2 real para el sesgo es `wd` \$1 `bias_wd_mult`. De forma predeterminada, no hay ninguna regularización en el plazo de sesgo. **Opcional** Valores válidos: `auto` o entero no negativo de punto flotante Valor predeterminado: `auto` | | binary\$1classifier\$1model\$1selection\$1criteria | Cuando `predictor_type` se establece en `binary_classifier`, los criterios de evaluación del modelo para el conjunto de datos de validación (o para el conjunto de datos de capacitación si no proporciona un conjunto de datos de validación). Los criterios incluyen: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/ll_hyperparameters.html) **Opcional** Valores válidos: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision`, o `loss_function` Valor predeterminado: `accuracy` | | early\$1stopping\$1patience | El número de fechas de inicio para esperar antes de finalizar la capacitación si no se realiza ninguna mejora en la métrica relevante. Si ha proporcionado un valor para binary\$1classifier\$1model\$1selection\$1criteria. la métrica es dicho valor. De lo contrario, la métrica es la misma que el valor especificado para el hiperparámetro loss. La métrica se evalúa en los datos de validación. Si no ha proporcionado datos de validación, la métrica siempre la misma que el valor especificado para el hiperparámetro `loss` y se evalúa en los datos de capacitación. Para deshabilitar la parada precoz, establezca `early_stopping_patience` en un valor mayor que el valor especificado para `epochs`.**Opcional**Valores válidos: número entero positivoValor predeterminado: 3 | | early\$1stopping\$1tolerance | Tolerancia relativa para medir una mejora en la pérdida. Si la proporción de la mejora en la pérdida dividida por la mejor pérdida anterior es inferior a este valor, la detención precoz considera que la mejora es cero. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0.001 | | epochs | Número máximo de iteraciones en los datos de capacitación. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 15 | | f\$1beta | El valor de beta que se ha de emplear al calcular las métricas de puntuación F para la clasificación binaria o de varias clases. También se utiliza si el valor definido para `binary_classifier_model_selection_criteria` es `f_beta`. **Opcional** Valores válidos: enteros positivos de punto flotante Valor predeterminado: 1.0 | | feature\$1dim | El número de características en los datos de entrada. **Opcional** Valores válidos: `auto` o entero positivo Valores predeterminados: `auto` | | huber\$1delta | El parámetro de pérdida de Huber. Durante la evaluación métrica y de capacitación, compute la pérdida L2 de errores inferiores a delata y de pérdida L1 de errores superiores a delta. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 1.0 | | init\$1bias | Ponderación inicial para el plazo de sesgo. **Opcional** Valores válidos: Entero de punto flotante Valor predeterminado: 0 | | init\$1method | Establece la función de distribución inicial que se utiliza para ponderaciones de modelo. Las funciones incluyen: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/ll_hyperparameters.html) **Opcional** Valores válidos: `uniform` o `normal` Valor predeterminado: `uniform` | | init\$1scale | Escala una distribución uniforme para ponderaciones de modelo. Se aplica solo cuando se establece el hiperparámetro `init_method` en `uniform`. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0.07 | | init\$1sigma | La desviación estándar inicial para la distribución normal. Se aplica solo cuando se establece el hiperparámetro `init_method` en `normal`. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0,01 | | l1 | El parámetro de regularización de L1. Si no desea utilizar la regularización de L1, establezca el valor en 0. **Opcional** Valores válidos: `auto` o número flotante no negativo Valor predeterminado: `auto` | | learning\$1rate | El tamaño del paso usado por el optimizador para actualizaciones de parámetros. **Opcional** Valores válidos: `auto` o entero positivo de punto flotante Valor predeterminado: `auto`, cuyo valor depende del optimizador elegido. | | loss | Especifica la función de pérdida. Las funciones de pérdida disponibles y sus valores predeterminados dependen del valor de `predictor_type`: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/ll_hyperparameters.html) Valores válidos: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` o `huber_loss` **Opcional** Valor predeterminado: `auto` | | loss\$1insensitivity | El parámetro para el tipo de pérdida epsilon-insensible. Durante la evaluación métrica y de capacitación, cualquier error inferior a este valor se considera cero. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 0,01 | | lr\$1scheduler\$1factor | Para cada hiperparámetro `lr_scheduler_step`, la tasa de aprendizaje disminuye en esta cantidad. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. **Opcional** Valores válidos: `auto` o positivo de punto flotante comprendido entre 0 y 1 Valor predeterminado: `auto` | | lr\$1scheduler\$1minimum\$1lr | La tasa de aprendizaje nunca disminuye a un valor inferior al valor establecido para `lr_scheduler_minimum_lr`. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. **Opcional** Valores válidos: `auto` o entero positivo de punto flotante Valores predeterminados: `auto` | | lr\$1scheduler\$1step | El número de pasos entre disminuciones de la tasa de aprendizaje. Se aplica solo cuando se establece el hiperparámetro `use_lr_scheduler` en `true`. **Opcional** Valores válidos: `auto` o entero positivo Valor predeterminado: `auto` | | margin | El margen para la función `hinge_loss`. **Opcional** Valores válidos: Entero positivo de punto flotante Valor predeterminado: 1.0 | | mini\$1batch\$1size | El número de observaciones por minilote para el iterador de datos. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 1000 | | momentum | El impulso del optimizador `sgd`. **Opcional** Valores válidos: `auto` o un entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: `auto` | | normalize\$1data | Normaliza los datos de la característica antes de la capacitación. La normalización de los datos convierte los datos de cada característica para que tengan una media de cero y los escala para que tenga la desviación estándar de la unidad. **Opcional** Valores válidos: `auto`, `true` o `false` Valor predeterminado: `true` | | normalize\$1label | Normaliza la etiqueta. La normalización de las etiquetas cambia la etiqueta para que tenga una media de cero y la escala para que tenga la desviación estándar de la unidad. El valor `auto` predeterminado normaliza la etiqueta para problemas de regresión, pero no para problemas de clasificación. Si establece el hiperparámetro `normalize_label` en `true` para problemas de clasificación, el algoritmo hace caso omiso de él. **Opcional** Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto` | | num\$1calibration\$1samples | Número de observaciones del conjunto de datos de validación para usar en la calibración de modelo (cuando se encuentra el mejor umbral). **Opcional** Valores válidos: `auto` o entero positivo Valor predeterminado: `auto` | | num\$1models | Número de modelos para capacitación en paralelo. Para el valor predeterminado, `auto`, el algoritmo decide el número de modelos en paralelo a capacitar. Se realiza la capacitación de un modelo según el parámetro de capacitación determinado (regularización, optimizador y pérdida) y el resto mediante parámetros cerrados. **Opcional** Valores válidos: `auto` o entero positivo Valores predeterminados: `auto` | | num\$1point\$1for\$1scaler | El número de puntos de datos a usar para calcular la normalización o para establecer plazos sin sesgo. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 10,000 | | optimizer | El algoritmo de optimización que se va a utilizar. **Opcional** Valores válidos: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/ll_hyperparameters.html) Valor predeterminado: `auto`. El ajuste predeterminado de `auto` es `adam`. | | positive\$1example\$1weight\$1mult | La ponderación asignada a ejemplos positivos cuando se capacita un clasificador binario. La ponderación de los ejemplos negativos se fija en 1. Si desea que el algoritmo elija una ponderación de manera que los errores en los ejemplos de clasificación negativos *frente a* positivos tenga el mismo impacto en la pérdida de capacitación, especifique `balanced`. Si desea que el algoritmo elija la ponderación que optimice el rendimiento, especifique `auto`. **Opcional** Valores válidos: `balanced`, `auto` o un entero positivo de punto flotante Valor predeterminado: 1.0 | | quantile | El cuantil para pérdida de cuantil. Para el cuantil q, el modelo intenta producir predicciones de modo que el valor de `true_label` sea mayor que la predicción con probabilidad q. **Opcional** Valores válidos: entero de punto flotante comprendido entre 0 y 1 Valor predeterminado: 0,5 | | target\$1precision | La precisión de destino. Si `binary_classifier_model_selection_criteria` tiene el valor `recall_at_target_precision`, entonces se mantiene precisión en este valor al mismo tiempo que se optimiza rellamada. **Opcional** Valores válidos: Entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: 0.8 | | target\$1recall | La rellamada de destino. Si `binary_classifier_model_selection_criteria` tiene el valor `precision_at_target_recall`, entonces se mantiene rellamada en este valor al mismo tiempo que se optimiza precisión. **Opcional** Valores válidos: Entero de punto flotante comprendido entre 0 y 1,0 Valor predeterminado: 0.8 | | unbias\$1data | Establece las características sin sesgo antes de la capacitación de modo que la media sea 0. De forma predeterminada, los datos no están sesgados si el hiperparámetro `use_bias` se establece en `true`. **Opcional** Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto` | | unbias\$1label | Establece las etiquetas sin sesgo antes de la capacitación de modo que la media sea 0. Se aplica a la regresión solo si el `use_bias` hiperparámetro se establece en `true`. **Opcional** Valores válidos: `auto`, `true` o `false` Valor predeterminado: `auto` | | use\$1bias | Especifica si el modelo debe incluir un término de sesgo, que es el término interceptar en la ecuación lineal. **Opcional** Valores válidos: `true` o `false` Valor predeterminado: `true` | | use\$1lr\$1scheduler | Cuándo usar un programador para la tasa de aprendizaje. Si desea utilizar un programador, especifique `true`. **Opcional** Valores válidos: `true` o `false` Valor predeterminado: `true` | | wd | El parámetro de degradación de ponderación, que también se conoce como parámetro de regularización de L2. Si no desea utilizar la regularización de L2, establezca el valor en 0. **Opcional** Valores válidos: `auto` o entero no negativo de punto flotante Valor predeterminado: `auto` |