Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Built-in SageMaker Algoritma AI untuk Data Tabular
Amazon SageMaker AI menyediakan algoritme bawaan yang disesuaikan dengan analisis data tabular. Data tabular mengacu pada kumpulan data apa pun yang diatur dalam tabel yang terdiri dari baris (pengamatan) dan kolom (fitur). Algoritma SageMaker AI bawaan untuk data tabular dapat digunakan untuk masalah klasifikasi atau regresi.
-
AutoGluon-Tabular—kerangka AutoML open-source yang berhasil dengan menyamai model dan menumpuknya dalam beberapa lapisan.
-
CatBoost—implementasi algoritma pohon yang ditingkatkan gradien yang memperkenalkan peningkatan berurutan dan algoritme inovatif untuk memproses fitur kategoris.
-
Algoritma Mesin Faktorisasi—perpanjangan dari model linier yang dirancang untuk menangkap interaksi secara ekonomis antara fitur dalam kumpulan data jarang dimensi tinggi.
-
K-Nearest Algoritma Tetangga (k-NN)—metode non-parametrik yang menggunakan k titik berlabel terdekat untuk menetapkan label ke titik data baru untuk klasifikasi atau nilai target yang diprediksi dari rata-rata k titik terdekat untuk regresi.
-
LightGBM—implementasi algoritma pohon yang ditingkatkan gradien yang menambahkan dua teknik baru untuk meningkatkan efisiensi dan skalabilitas: Gradient-based One-Side Sampling (GOSS) dan Exclusive Feature Bundling (EFB).
-
Algoritma Pembelajar Linear—mempelajari fungsi linier untuk regresi atau fungsi ambang linier untuk klasifikasi.
-
TabTransformer—arsitektur pemodelan data tabular mendalam baru yang dibangun di atas Transformers berbasis perhatian diri.
-
Algoritma XGBoost dengan Amazon AI SageMaker—implementasi algoritma pohon yang ditingkatkan gradien yang menggabungkan ansambel perkiraan dari serangkaian model yang lebih sederhana dan lebih lemah.
| Nama algoritma | Nama saluran | Mode masukan pelatihan | Tipe file | Kelas instans | Dapat diparalelkan |
|---|---|---|---|---|---|
| AutoGluon-Tabular | pelatihan dan validasi (opsional) | File | CSV | CPU atau GPU (hanya satu contoh) | Tidak |
| CatBoost | pelatihan dan validasi (opsional) | File | CSV | CPU (hanya satu contoh) | Tidak |
| Mesin Faktorisasi | melatih dan (opsional) tes | File atau Pipa | rekor IO-protobuf | CPU (GPU untuk data padat) | Ya |
| K-Nearest-Neighbors (K-nn) | melatih dan (opsional) tes | File atau Pipa | rekam IO-protobuf atau CSV | CPU atau GPU (perangkat GPU tunggal pada satu atau beberapa instance) | Ya |
| LightGBM | pelatihan dan validasi (opsional) | File | CSV | CPU (hanya satu contoh) | Tidak |
| Linear Learner | melatih dan (opsional) validasi, tes, atau keduanya | File atau Pipa | rekam IO-protobuf atau CSV | CPU atau GPU | Ya |
| TabTransformer | pelatihan dan validasi (opsional) | File | CSV | CPU atau GPU (hanya satu contoh) | Tidak |
| XGBoost (0,90-1, 0,90-2, 1,0-1, 1,2-1, 1,2-21) | melatih dan (opsional) validasi | File atau Pipa | CSV, LibSVM, atau Parket | CPU (atau GPU untuk 1.2-1) | Ya |
