Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Hyperparamètres de LightGBM Le tableau suivant contient le sous-ensemble d'hyperparamètres requis ou les plus couramment utilisés pour l'algorithme Amazon SageMaker AI LightGBM. Les utilisateurs définissent ces paramètres pour faciliter l'estimation des paramètres du modèle à partir des données. [L'algorithme SageMaker AI LightGBM est une implémentation du package open-source LightGBM.](https://github.com/microsoft/LightGBM) **Note** Les hyperparamètres par défaut sont basés sur des exemples de jeux de données dans le [Exemples de blocs-notes LightGBM](lightgbm.md#lightgbm-sample-notebooks). Par défaut, l'algorithme SageMaker AI LightGBM choisit automatiquement une métrique d'évaluation et une fonction objective en fonction du type de problème de classification. L'algorithme LightGBM détecte le type de problème de classification en fonction du nombre d'étiquettes contenues dans vos données. Pour les problèmes de régression, la métrique d'évaluation correspond à la racine carrée de l'erreur quadratique moyenne et la fonction objective correspond à la perte L2. Pour les problèmes de classification binaire, la métrique d'évaluation et la fonction objective correspondent toutes deux à l'entropie croisée binaire. Pour les problèmes de classification multi-classes, la métrique d'évaluation correspond à l'entropie croisée multi-classes et la fonction objective à softmax. Vous pouvez utiliser l'hyperparamètre `metric` pour modifier la métrique d'évaluation par défaut. Reportez-vous au tableau suivant pour plus d'informations sur les hyperparamètres LightGBM, y compris les descriptions, les valeurs valides et les valeurs par défaut. | Nom du paramètre | Description | | --- | --- | | num\$1boost\$1round | Nombre maximal d'itérations de renforcement. **Remarque :** En interne, LightGBM construit `num_class * num_boost_round` arbres pour les problèmes de classification multi-classes. Valeurs valides : nombre entier, plage : nombre entier positif. Valeur par défaut : `100`. | | early\$1stopping\$1rounds | L'entraînement s'arrête si une métrique d'un point de données de validation ne s'améliore pas au cours du dernier cycle `early_stopping_rounds`. Si `early_stopping_rounds` est inférieur ou égal à zéro, cet hyperparamètre est ignoré. Valeurs valides : entier Valeur par défaut : `10`. | | metric | Métrique d'évaluation des données de validation. Si `metric` est défini sur la valeur `"auto"` par défaut, l'algorithme choisit automatiquement une métrique d'évaluation en fonction du type de problème de classification : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/lightgbm-hyperparameters.html) Valeurs valides : chaîne, l'une des valeurs suivantes : (`"auto"`, `"rmse"`, `"l1"`, `"l2"`, `"huber"`, `"fair"`, `"binary_logloss"`, `"binary_error"`, `"auc"`, `"average_precision"`, `"multi_logloss"`, `"multi_error"`, `"auc_mu"` ou `"cross_entropy"`). Valeur par défaut : `"auto"`. | | learning\$1rate | Taux auquel les pondérations du modèle sont mises à jour après que chaque lot d'exemples d'entraînement a été parcouru. Valeurs valides : float, plage : (`0.0`, `1.0`). Valeur par défaut : `0.1`. | | num\$1leaves | Nombre maximal de feuilles dans un arbre. Valeurs valides : entier, plage : (`1`, `131072`). Valeur par défaut : `64`. | | feature\$1fraction | Sous-ensemble de caractéristiques à sélectionner à chaque itération (arbre). Il doit être inférieur à 1,0. Valeurs valides : float, plage : (`0.0`, `1.0`). Valeur par défaut : `0.9`. | | bagging\$1fraction | Sous-ensemble de caractéristiques similaires à `feature_fraction`, mais `bagging_fraction` sélectionne de façon aléatoire une partie des données sans rééchantillonnage. Valeurs valides : valeur à virgule flottante, plage : (`0.0`, `1.0`). Valeur par défaut : `0.9`. | | bagging\$1freq | Fréquence de bagging. À chaque itération `bagging_freq`, LightGBM sélectionne de façon aléatoire un pourcentage des données à utiliser pour la prochaine itération `bagging_freq`. Ce pourcentage est déterminé par l'hyperparamètre `bagging_fraction`. Si `bagging_freq` est zéro, le bagging est désactivé. Valeurs valides : nombre, plage : nombre entier non négatif. Valeur par défaut : `1`. | | max\$1depth | Profondeur maximale pour un modèle d'arbre. Elle est utilisée pour traiter le surajustement lorsque la quantité de données est faible. Si `max_depth` est inférieure ou égale à zéro, cela signifie qu'il n'y a pas de limite pour la profondeur maximale. Valeurs valides : entier Valeur par défaut : `6`. | | min\$1data\$1in\$1leaf | Quantité minimale de données dans une feuille. Peut être utilisée pour traiter le surajustement. Valeurs valides : nombre, plage : nombre entier non négatif. Valeur par défaut : `3`. | | max\$1delta\$1step | Utilisé pour limiter le nombre maximal de feuilles d'arborescence obtenues en sortie. Si `max_delta_step` est inférieur ou égal à 0, il n'y a pas de contrainte. Le nombre maximal de feuilles obtenues en sortie est `learning_rate * max_delta_step`. Valeurs valides : valeur flottante. Valeur par défaut : `0.0`. | | lambda\$1l1 | Régularisation L1. Valeurs valides : valeur à virgule flottante, plage : valeur à virgule flottante non négative. Valeur par défaut : `0.0`. | | lambda\$1l2 | Régularisation L2. Valeurs valides : valeur à virgule flottante, plage : valeur à virgule flottante non négative. Valeur par défaut : `0.0`. | | boosting | Type de renforcement Valeurs valides : chaîne, l'une des valeurs suivantes : (`"gbdt"`, `"rf"`, `"dart"` ou `"goss"`). Valeur par défaut : `"gbdt"`. | | min\$1gain\$1to\$1split | Gain minimal pour effectuer une division. Peut être utilisé pour accélérer l'entraînement. Valeurs valides : entier, valeur à virgule flottante : valeur à virgule flottante non négative. Valeur par défaut : `0.0`. | | scale\$1pos\$1weight | Pondération des étiquettes avec une classe positive. Utilisé uniquement pour les tâches de classification binaire. `scale_pos_weight` ne peut pas être utilisé si `is_unbalance` a pour valeur `"True"`. Valeurs valides : valeur à virgule flottante, plage : valeur à virgule flottante positive. Valeur par défaut : `1.0`. | | tree\$1learner | Type d'apprenant d'arborescence. Valeurs valides : chaîne, l'une des valeurs suivantes : (`"serial"`, `"feature"`, `"data"` ou `"voting"`). Valeur par défaut : `"serial"`. | | feature\$1fraction\$1bynode | Sélectionne un sous-ensemble de caractéristiques aléatoires sur chaque nœud de l'arborescence. Par exemple, si `feature_fraction_bynode` est `0.8`, 80 % des caractéristiques sont sélectionnées. Peut être utilisée pour traiter le surajustement. Valeurs valides : entier, plage : (`0.0`, `1.0`]. Valeur par défaut : `1.0`. | | is\$1unbalance | Définissez sur `"True"` si les données d'entraînement ne sont pas équilibrées. Utilisé uniquement pour les tâches de classification binaire. `is_unbalance` ne peut pas être utilisé avec `scale_pos_weight`. Valeurs valides : chaîne, valeur : (`"True"` ou `"False"`). Valeur par défaut : `"False"`. | | max\$1bin | Nombre maximal de casiers utilisés pour regrouper les valeurs des caractéristiques. Un petit nombre de casiers peut réduire la précision de l'entraînement, mais peut améliorer les performances générales. Peut être utilisée pour traiter le surajustement. Valeurs valides : entier, plage : (1, ∞). Valeur par défaut : `255`. | | tweedie\$1variance\$1power | Contrôle la variance de la distribution Tweedie. Définissez-le plus près de `2.0` pour passer à une distribution Gamma. Définissez-le plus près de `1.0` pour passer à une distribution de Poisson. Utilisé uniquement pour les tâches de régression. Valeurs valides : valeur à virgule flottante, plage : [`1.0`, `2.0`). Valeur par défaut : `1.5`. | | num\$1threads | Nombre de threads parallèles utilisés pour exécuter LightGBM. La valeur 0 signifie le nombre de threads par défaut dans OpenMP. Valeurs valides : nombre, plage : nombre entier non négatif. Valeur par défaut : `0`. | | verbosity | Niveau de détail des messages d'impression. Si `verbosity` est inférieur à `0`, les messages d'impression montrent uniquement les erreurs fatales. Si `verbosity` a pour valeur `0`, les messages d'impression incluent les erreurs et les avertissements. Si `verbosity` a pour valeur `1`, les messages d'impression affichent plus d'informations. Si `verbosity` est supérieur à `1`, les messages d'impression affichent le plus d'informations et peuvent être utilisés pour le débogage. Valeurs valides : entier Valeur par défaut : `1`. |