Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Iperparametri di LightGBM La tabella seguente contiene il sottoinsieme di iperparametri richiesti o più comunemente utilizzati per l'algoritmo Amazon SageMaker AI LightGBM. Gli utenti impostano questi parametri per agevolare la stima dei parametri del modello dai dati. [L'algoritmo SageMaker AI LightGBM è un'implementazione del pacchetto open source LightGBM.](https://github.com/microsoft/LightGBM) **Nota** Gli iperparametri predefiniti si basano su set di dati di esempio in [Notebook di esempio LightGBM](lightgbm.md#lightgbm-sample-notebooks). Per impostazione predefinita, l'algoritmo SageMaker AI LightGBM sceglie automaticamente una metrica di valutazione e una funzione oggettiva in base al tipo di problema di classificazione. L'algoritmo LightGBM rileva il tipo di problema di classificazione in base al numero di etichette nei dati. Per i problemi di regressione, il parametro di valutazione è l'errore quadratico medio e la funzione obiettivo è la perdita di L2. Per i problemi di classificazione binaria, il parametro di valutazione e la funzione obiettivo sono entrambe entropia binaria incrociata. Per i problemi di classificazione multiclasse, il parametro di valutazione è l'entropia incrociata multiclasse e la funzione obiettivo è softmax. È possibile utilizzare l'iperparametro `metric` per modificare il parametro di valutazione predefinito. Fai riferimento alla tabella seguente per ulteriori informazioni sugli iperparametri LightGBM, incluse descrizioni, valori validi e valori predefiniti. | Nome parametro | Description | | --- | --- | | num\$1boost\$1round | Il numero massimo di iterazioni di potenziamento. **Nota:** internamente, LightGBM costruisce alberi `num_class * num_boost_round` per problemi di classificazione multiclasse. Valori validi: numero intero, intervallo: numero intero positivo. Valore predefinito: `100`. | | early\$1stopping\$1rounds | L'addestramento si interromperà se un parametro di un dato di convalida non migliora nell'ultimo round `early_stopping_rounds`. Se `early_stopping_rounds` è minore o uguale a zero, questo iperparametro viene ignorato. Valori validi: numero intero. Valore predefinito: `10`. | | metric | Parametro di valutazione per i dati di convalida. Se `metric` è impostato sul valore predefinito `"auto"`, l'algoritmo sceglie automaticamente un parametro di valutazione in base al tipo di problema di classificazione: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/lightgbm-hyperparameters.html) Valori validi: stringa, uno dei seguenti valori: (`"auto"`, `"rmse"`, `"l1"`, `"l2"`, `"huber"`, `"fair"`, `"binary_logloss"`, `"binary_error"`, `"auc"`, `"average_precision"`, `"multi_logloss"`, `"multi_error"`, `"auc_mu"` o `"cross_entropy"`). Valore predefinito: `"auto"`. | | learning\$1rate | La velocità con cui i pesi del modello vengono aggiornati dopo aver esaminato ogni batch di esempi di addestramento. Valori validi: float, intervallo: (`0.0`, `1.0`). Valore predefinito: `0.1`. | | num\$1leaves | Il numero massimo di foglie in un albero. Valori validi: intero, intervallo: (`1`,`131072`). Valore predefinito: `64`. | | feature\$1fraction | Un sottoinsieme di funzionalità da selezionare su ogni iterazione (albero). Deve essere inferiore a 1,0. Valori validi: float, intervallo: (`0.0`, `1.0`). Valore predefinito: `0.9`. | | bagging\$1fraction | Un sottoinsieme di funzionalità simili a `feature_fraction`, ma `bagging_fraction` seleziona casualmente parte dei dati senza ricampionamento. Valori validi: float, intervallo: (`0.0`, `1.0`). Valore predefinito: `0.9`. | | bagging\$1freq | La frequenza di esecuzione del bagging. Ad ogni iterazione `bagging_freq`, LightGBM seleziona casualmente una percentuale di dati da utilizzare per l'iterazione `bagging_freq` successiva. Questa percentuale è determinata dall'iperparametro `bagging_fraction`. Se `bagging_freq` è zero, il bagging è disattivato. Valori validi: numeri interi, intervallo: numeri interi non negativi. Valore predefinito: `1`. | | max\$1depth | La profondità massima per un modello ad albero. Viene utilizzata per gestire l'overfit quando la quantità di dati è ridotta. Se `max_depth` è minore o uguale a zero, significa che non esiste un limite per la profondità massima. Valori validi: numero intero. Valore predefinito: `6`. | | min\$1data\$1in\$1leaf | La quantità minima di dati in una foglia. Può essere utilizzata per gestire l’overfitting. Valori validi: numeri interi, intervallo: numeri interi non negativi. Valore predefinito: `3`. | | max\$1delta\$1step | Utilizzato per limitare la produzione massima delle foglie degli alberi. Se `max_delta_step` è minore o uguale a 0, non esiste alcun vincolo. La resa massima finale delle foglie è `learning_rate * max_delta_step`. Valori validi: float. Valore predefinito: `0.0`. | | lambda\$1l1 | Regolarizzazione L1. Valori validi: float, intervallo: float non negativi. Valore predefinito: `0.0`. | | lambda\$1l2 | Regolarizzazione L2. Valori validi: float, intervallo: float non negativi. Valore predefinito: `0.0`. | | boosting | Tipo di boosting Valori validi: stringa, uno dei seguenti valori: (`"gbdt"`, `"rf"`, `"dart"` o `"goss"`). Valore predefinito: `"gbdt"`. | | min\$1gain\$1to\$1split | Il guadagno minimo per eseguire una suddivisione. Può essere usato per velocizzare l'addestramento. Valori validi: numeri interi, float: float non negativi. Valore predefinito: `0.0`. | | scale\$1pos\$1weight | Il peso delle etichette con classe positiva. Utilizzato solo per attività di classificazione binaria. `scale_pos_weight` non può essere usato se `is_unbalance` è impostato su `"True"`. Valori validi: float, intervallo: float positivi. Valore predefinito: `1.0`. | | tree\$1learner | Tipo di learner ad albero. Valori validi: stringa, uno dei seguenti valori: (`"serial"`, `"feature"`, `"data"` o `"voting"`). Valore predefinito: `"serial"`. | | feature\$1fraction\$1bynode | Seleziona un sottoinsieme di funzionalità casuali su ogni nodo dell'albero. Ad esempio, se `feature_fraction_bynode` è `0.8`, viene selezionato l'80% delle funzionalità. Può essere utilizzata per gestire l’overfitting. Valori validi: intero, intervallo: (`0.0`,`1.0`). Valore predefinito: `1.0`. | | is\$1unbalance | Impostato su `"True"` se i dati di addestramento non sono bilanciati. Utilizzato solo per attività di classificazione binaria. `is_unbalance` non può essere usato con `scale_pos_weight`. Valori validi: stringa: (`"True"` o `"False"`). Valore predefinito: `"False"`. | | max\$1bin | Il numero massimo di container utilizzati per inserire i valori delle funzionalità di bucket. Un numero limitato di container può ridurre la precisione dell'addestramento, ma può aumentare le prestazioni generali. Può essere utilizzata per gestire l’overfitting. Valori validi: intero, intervallo: (1, ∞). Valore predefinito: `255`. | | tweedie\$1variance\$1power | Controlla la varianza della distribuzione Tweedie. Impostalo più vicino `2.0` per passare a una distribuzione gamma. Impostalo più vicino `1.0` per passare a una distribuzione Poisson. Utilizzato solo per attività di regressione. Valori validi: float, intervallo: [`1.0`, `2.0`). Valore predefinito: `1.5`. | | num\$1threads | Numero di thread paralleli utilizzati per eseguire LightGBM. Il valore 0 indica il numero predefinito di thread in OpenMP. Valori validi: numeri interi, intervallo: numeri interi non negativi. Valore predefinito: `0`. | | verbosity | La verbosità dei messaggi di stampa. Se `verbosity` è inferiore a `0`, i messaggi di stampa mostrano solo errori irreversibili. Se `verbosity` è impostato su `0`, i messaggi di stampa includono errori e avvisi. Se `verbosity` è `1`, i messaggi di stampa mostrano ulteriori informazioni. Un valore `verbosity` superiore a `1` mostra la maggior parte delle informazioni nei messaggi di stampa e può essere utilizzato per il debug. Valori validi: numero intero. Valore predefinito: `1`. |