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 TabTransformer
La tabella seguente contiene il sottoinsieme di iperparametri necessari o più comunemente utilizzati per l’algoritmo Amazon SageMaker AI TabTransformer. Gli utenti impostano questi parametri per agevolare la stima dei parametri del modello dai dati. L’algoritmo SageMaker AI TabTransformer è un’implementazione del pacchetto open source TabTransformer
Nota
Gli iperparametri predefiniti si basano su set di dati di esempio in Notebook di esempio TabTransformer.
L’algoritmo SageMaker AI TabTransformer sceglie automaticamente una metrica di valutazione e una funzione obiettivo in base al tipo di problema di classificazione. L'algoritmo TabTransformer 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 r e la funzione obiettivo è l’errore quadratico medio. 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 e la funzione obiettivo sono entrambi un'entropia incrociata multiclasse.
Nota
Il parametro di valutazione e le funzioni obiettivo di TabTransformer non sono attualmente disponibili come iperparametri. Invece, l’algoritmo integrato di SageMaker AI TabTransformer rileva automaticamente il tipo di attività di classificazione (regressione, binaria o multi-classe) in base alla quantità di numeri interi univoci nella colonna dell’etichetta e assegna una metrica di valutazione e una funzione obiettivo.
| Nome parametro | Descrizione |
|---|---|
n_epochs |
Numero di epoche per addestrare la rete neurale profonda. Valori validi: numero intero, intervallo: numero intero positivo. Valore predefinito: |
patience |
L'addestramento si interromperà se un parametro di un dato di convalida non migliora nell'ultimo round Valori validi: intero, intervallo: ( Valore predefinito: |
learning_rate |
La velocità con cui i pesi del modello vengono aggiornati dopo aver esaminato ogni batch di esempi di addestramento. Valori validi: float, intervallo: numero a virgola mobile positivo. Valore predefinito: |
batch_size |
Il numero di esempi propagati attraverso la rete. Valori validi: intero, intervallo: ( Valore predefinito: |
input_dim |
La dimensione degli incorporamenti per codificare le colonne categoriche e/o continue. Valori validi: stringa, uno dei seguenti valori: Valore predefinito: |
n_blocks |
Il numero di blocchi encoder del trasformatore. Valori validi: intero, intervallo: ( Valore predefinito: |
attn_dropout |
Tasso di dropout applicato ai livelli di attenzione Multi-Head. Valori validi: float, intervallo: ( Valore predefinito: |
mlp_dropout |
Tasso di abbandono applicato alla rete FeedForward all'interno dei livelli dell'encoder e ai livelli MLP finali sugli encoder del trasformatore. Valori validi: float, intervallo: ( Valore predefinito: |
frac_shared_embed |
La frazione di incorporamenti condivisa da tutte le diverse categorie per una colonna particolare. Valori validi: float, intervallo: ( Valore predefinito: |
