Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Menyetel BlazingText Model
<a name="blazingtext-tuning"></a>

*Penyetelan model otomatis*, juga dikenal sebagai tuning hyperparameter, menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan yang menguji berbagai hiperparameter pada kumpulan data Anda. Anda memilih hyperparameters yang dapat disetel, rentang nilai untuk masing-masing, dan metrik objektif. Anda memilih metrik objektif dari metrik yang dihitung algoritme. Penyetelan model otomatis mencari hiperparameter yang dipilih untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik objektif.

Untuk informasi selengkapnya tentang penyetelan model, lihat[Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md).

## Metrik yang Dihitung oleh Algoritma BlazingText
<a name="blazingtext-metrics"></a>

Algoritma BlazingText Word2Vec (`skipgram`,`cbow`, dan `batch_skipgram` mode) melaporkan satu metrik selama pelatihan:. `train:mean_rho` Metrik ini dihitung pada kumpulan data kesamaan [kata WS-353](https://aclweb.org/aclwiki/WordSimilarity-353_Test_Collection_(State_of_the_art)). Saat menyetel nilai hyperparameter untuk algoritma Word2Vec, gunakan metrik ini sebagai tujuannya.

Algoritma Klasifikasi BlazingText Teks (`supervised`mode), juga melaporkan satu metrik selama pelatihan:`validation:accuracy`. Saat menyetel nilai hyperparameter untuk algoritma klasifikasi teks, gunakan metrik ini sebagai tujuannya.


| Nama Metrik | Deskripsi | Arah Optimasi | 
| --- | --- | --- | 
| train:mean\$1rho |  [Rho rata-rata (koefisien korelasi peringkat Spearman) pada kumpulan data kesamaan kata WS-353](http://alfonseca.org/pubs/ws353simrel.tar.gz)  |  Maksimalkan  | 
| validation:accuracy |  Akurasi klasifikasi pada kumpulan data validasi yang ditentukan pengguna  |  Maksimalkan  | 

## Hiperparameter yang dapat disetel BlazingText
<a name="blazingtext-tunable-hyperparameters"></a>

### Hiperparameter yang dapat disetel untuk Algoritma Word2Vec
<a name="blazingtext-tunable-hyperparameters-word2vec"></a>

Setel model Amazon SageMaker AI BlazingText Word2Vec dengan hyperparameter berikut. Hiperparameter yang memiliki dampak terbesar pada metrik objektif Word2Vec adalah:`mode`,,,, ` learning_rate` dan. `window_size` `vector_dim` `negative_samples`


| Nama Parameter | Jenis Parameter | Rentang atau Nilai yang Direkomendasikan | 
| --- | --- | --- | 
| batch\$1size |  `IntegerParameterRange`  |  [8-32]  | 
| epochs |  `IntegerParameterRange`  |  [5-15]  | 
| learning\$1rate |  `ContinuousParameterRange`  |  MinValue: 0,005, MaxValue: 0,01  | 
| min\$1count |  `IntegerParameterRange`  |  [0-100]  | 
| mode |  `CategoricalParameterRange`  |  [`'batch_skipgram'`, `'skipgram'`, `'cbow'`]  | 
| negative\$1samples |  `IntegerParameterRange`  |  [5-25]  | 
| sampling\$1threshold |  `ContinuousParameterRange`  |  MinValue: 0,0001, MaxValue: 0,001  | 
| vector\$1dim |  `IntegerParameterRange`  |  [32-300]  | 
| window\$1size |  `IntegerParameterRange`  |  [1-10]  | 

### Hiperparameter yang dapat disetel untuk Algoritma Klasifikasi Teks
<a name="blazingtext-tunable-hyperparameters-text_class"></a>

Sesuaikan model klasifikasi BlazingText teks Amazon SageMaker AI dengan hyperparameter berikut.


| Nama Parameter | Jenis Parameter | Rentang atau Nilai yang Direkomendasikan | 
| --- | --- | --- | 
| buckets |  `IntegerParameterRange`  |  [1000000-10000000]  | 
| epochs |  `IntegerParameterRange`  |  [5-15]  | 
| learning\$1rate |  `ContinuousParameterRange`  |  MinValue: 0,005, MaxValue: 0,01  | 
| min\$1count |  `IntegerParameterRange`  |  [0-100]  | 
| vector\$1dim |  `IntegerParameterRange`  |  [32-300]  | 
| word\$1ngrams |  `IntegerParameterRange`  |  [1-3]  |