기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 선형 학습자 하이퍼파라미터
다음 표에는 선형 학습자 알고리즘에 대한 하이퍼파라미터가 나와 있습니다. 이들은 사용자가 데이터로부터 모델 파라미터의 예측을 촉진하기 위해 설정하는 파라미터입니다. 먼저 반드시 설정해야 하는 필수 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다. 그 다음에 설정할 수 있는 선택적 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다. 하이퍼파라미터를 `auto`로 설정하면 Amazon SageMaker AI에서 자동으로 해당 하이퍼파라미터의 값을 계산하고 설정합니다.
| 파라미터 이름 | 설명 |
| --- | --- |
| num\_classes | 응답 변수의 클래스 수. 이 알고리즘에서는 클래스에 `0`, ..., `num_classes - 1` 레이블이 지정되어 있다고 가정합니다.
`predictor_type`이 `multiclass_classifier`인 경우 **필요함**. 그렇지 않으면 알고리즘에서 무시됩니다.
유효한 값: 정수(3\~1,000,000) |
| predictor\_type | 대상 변수 유형을 바이너리 분류, 멀티클래스 분류 또는 회귀로 지정합니다.
**필수**
유효값: `binary_classifier`, `multiclass_classifier` 또는 `regressor` |
| accuracy\_top\_k | 멀티클래스 분류의 top-k 정확도 지표를 계산하는 경우 *k*의 값. 모델이 실제 레이블에 top-k 점수 중 하나를 할당하면 예제의 점수가 정답으로 매겨집니다.
**선택 사항**
유효한 값: 양수
기본값: 3 |
| balance\_multiclass\_weights | 손실 함수에서 각 클래스에 동일한 중요도를 제공하는 클래스 가중치를 사용할지 여부를 지정합니다. `predictor_type`이 `multiclass_classifier`인 경우에만 사용합니다.
**선택 사항**
유효값: `true`, `false`
기본값: `false` |
| beta\_1 | 1차 추정치에 대한 지수 감소율. `optimizer` 값이 `adam`일 경우에만 해당됩니다.
**선택 사항**
유효한 값: `auto` 또는 0부터 1.0 사이의 부동 소수점
기본값: `auto` |
| beta\_2 | 2차 추정치에 대한 지수 감소율. `optimizer` 값이 `adam`일 경우에만 해당됩니다.
**선택 사항**
유효한 값: `auto` 또는 0부터 1.0 사이의 부동 소수점 정수
기본값: `auto` |
| bias\_lr\_mult | 편향항에 대한 다른 학습률을 허용. 편이에 대한 실제 학습률은 `learning_rate` \* `bias_lr_mult`입니다.
**선택 사항**
유효한 값: `auto` 또는 양의 부동 소수점 정수
기본값: `auto` |
| bias\_wd\_mult | 편향항에 대한 다른 정규화 허용. 편이에 대한 실제 L2 정규화 가중치는 `wd` \* `bias_wd_mult`입니다. 기본적으로 편향항에 대한 정규화는 없습니다.
**선택 사항**
유효한 값: `auto` 또는 음수가 아닌 부동 소수점 정수
기본값: `auto` |
| binary\_classifier\_model\_selection\_criteria | `predictor_type`이 `binary_classifier`로 설정된 경우 검증 데이터 세트에 대한 모델 평가 기준. 검증 데이터 세트를 제공하지 않은 경우에는 훈련 데이터 세트에 대한 모델 평가 기준입니다. 기준은 다음과 같습니다.[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/ll_hyperparameters.html)
**선택 사항**
유효한 값: `accuracy`, `f_beta`, `precision_at_target_recall`, `recall_at_target_precision` 또는 `loss_function`
기본값: `accuracy` |
| early\_stopping\_patience | 관련 지표에서 개선 사항이 없는 경우 훈련 완료 전 epoch 수. binary\_classifier\_model\_selection\_criteria에 값을 제공한 경우 지표는 해당 값입니다. 그렇지 않으면 지표는 loss 하이퍼파라미터에 대해 지정된 값과 동일합니다.지표는 검증 데이터에 따라 검증됩니다. 검증 데이터를 제공하지 않은 경우 지표는 항상 `loss` 파라미터에 지정된 값과 동일하고 훈련 데이터에 대해 평가됩니다. 조기 중지를 비활성화하려면 `early_stopping_patience`를 `epochs`에 대해 지정된 값보다 높은 값으로 설정하세요.
**선택 사항**
유효한 값: 양수
기본값: 3 |
| early\_stopping\_tolerance | 손실의 개선을 측정하는 상대 공차. 이전 최적 손실로 나눈 손실의 개선율이 이 값보다 작은 경우 조기 중지 시 개선이 0인 것으로 간주합니다.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본값: 0.001 |
| epochs | 훈련 데이터의 최대 전달 횟수.
**선택 사항**
유효한 값: 양수
기본 값: 15 |
| f\_beta | 바이너리 또는 멀티클래스 분류에 대한 F 점수 지표를 계산하는 경우 사용할 베타 값. `binary_classifier_model_selection_criteria`에 대해 지정된 값이 `f_beta`인 경우에도 사용됩니다.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본값: 1.0 |
| feature\_dim | 입력 데이터의 특징 수.
**선택 사항**
유효한 값: `auto` 또는 양의 정수
기본값: `auto` |
| huber\_delta | Huber 손실에 대한 파라미터. 훈련 및 지표 검증 도중 델타보다 작은 오차에 대해서는 컴퓨팅 L2 손실, 델타보다 큰 오차에 대해서는 L1 손실.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본값: 1.0 |
| init\_bias | 편향항에 대한 초기 가중치.
**선택 사항**
유효한 값: 부동 소수점 정수
기본값: 0 |
| init\_method | 모델 가중치에 사용되는 초기 분포 함수를 설정합니다. 함수는 다음과 같습니다.[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/ll_hyperparameters.html)
**선택 사항**
유효한 값: `uniform` 또는 `normal`
기본값: `uniform` |
| init\_scale | 모델 가중치에 대한 최초 균등 분포를 조정합니다. `init_method` 하이퍼파라미터가 `uniform`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본값: 0.07 |
| init\_sigma | 정규 분포에 대한 초기화 표준편차. `init_method` 하이퍼파라미터가 `normal`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본 값: 0.01 |
| l1 | L1 정규화 파라미터. L1 정규화를 사용하지 않으려면 이 값을 0으로 설정합니다.
**선택 사항**
유효한 값: `auto` 또는 음수가 아닌 부동 소수점
기본값: `auto` |
| learning\_rate | 파라미터 업데이트를 위해 옵티마이저에서 사용하는 단계 크기.
**선택 사항**
유효한 값: `auto` 또는 양의 부동 소수점 정수
기본값: `auto`, 이 값은 선택한 옵티마이저에 따라 달라집니다. |
| loss | 손실 함수를 지정합니다.
사용 가능한 손실 함수와 그 기본값은 `predictor_type`의 값에 따라 달라집니다.[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/ll_hyperparameters.html)
유효한 값: `auto`, `logistic`, `squared_loss`, `absolute_loss`, `hinge_loss`, `eps_insensitive_squared_loss`, `eps_insensitive_absolute_loss`, `quantile_loss` 또는 `huber_loss`
**선택 사항**
기본값: `auto` |
| loss\_insensitivity | 엡실론의 영향을 받지 않는 손실 유형에 대한 파라미터. 훈련 및 지표 검증 도중 이 값보다 작은 모든 오차는 0으로 간주됩니다.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본 값: 0.01 |
| lr\_scheduler\_factor | 매 `lr_scheduler_step` 하이퍼파라미터마다 학습률은 이 수치만큼 감소합니다. `use_lr_scheduler` 하이퍼파라미터가 `true`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: `auto` 또는 0부터 1 사이의 양의 부동 소수점 정수
기본값: `auto` |
| lr\_scheduler\_minimum\_lr | 학습률은 `lr_scheduler_minimum_lr`에 대해 설정된 값 미만으로 절대 감소하지 않습니다. `use_lr_scheduler` 하이퍼파라미터가 `true`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: `auto` 또는 양의 부동 소수점 정수
기본값: `auto` |
| lr\_scheduler\_step | 학습률 감소 사이의 단계 수. `use_lr_scheduler` 하이퍼파라미터가 `true`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: `auto` 또는 양의 정수
기본값: `auto` |
| margin | `hinge_loss` 함수의 마진.
**선택 사항**
유효한 값: 양의 부동 소수점 정수
기본값: 1.0 |
| mini\_batch\_size | 데이터 반복자의 미니 배치당 관측치의 수.
**선택 사항**
유효한 값: 양수
기본값: 1000 |
| momentum | `sgd` 옵티마이저의 모멘텀.
**선택 사항**
유효한 값: `auto` 또는 0부터 1.0 사이의 부동 소수점 정수
기본값: `auto` |
| normalize\_data | 훈련 전에 특징 데이터를 정규화합니다. 데이터 정규화는 각 특징에 대해 평균 값 0을 갖도록 이동하고 단위 표준편차를 갖도록 조정합니다.
**선택 사항**
유효값: `auto`, `true` 또는 `false`
기본값: `true` |
| normalize\_label | 레이블을 정규화합니다. 레이블 정규화는 평균 값 0을 갖도록 레이블을 이동하고 단위 표준편차를 갖도록 조정합니다.
`auto` 기본값은 회귀 문제에서 레이블을 정규화하지만 분류 문제에서는 정규화하지 않습니다. 분류 문제의 경우 `normalize_label` 하이퍼파라미터를 `true`로 설정하면 알고리즘에서 무시됩니다.
**선택 사항**
유효값: `auto`, `true` 또는 `false`
기본값: `auto` |
| num\_calibration\_samples | (최적의 임계값을 찾은 경우) 모델 보정에 사용할 검증 데이터 세트의 관측치 수.
**선택 사항**
유효한 값: `auto` 또는 양의 정수
기본값: `auto` |
| num\_models | 병렬로 훈련할 모델 수. 기본값 `auto`의 경우 알고리즘이 훈련할 병렬 모델의 수를 결정합니다. 주어진 훈련 파라미터(정규화, 옵티마이저, 손실)에 따라 한 모델이 훈련되고, 나머지는 근접 파라미터에 따라 훈련됩니다.
**선택 사항**
유효한 값: `auto` 또는 양의 정수
기본값: `auto` |
| num\_point\_for\_scaler | 정규화 또는 비편향항 계산에 사용할 데이터 포인트의 수.
**선택 사항**
유효한 값: 양수
기본값: 10,000 |
| optimizer | 사용할 최적화 알고리즘.
**선택 사항**
유효한 값:[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/ll_hyperparameters.html)
기본값: `auto`. `auto`의 기본 설정은 `adam`입니다. |
| positive\_example\_weight\_mult | 바이너리 분류자 훈련 시 양수 예제에 할당된 가중치. 음수 예제 가중치는 1로 고정됩니다. 이 알고리즘에서 음수 대 양수 예제 분류의 오차가 훈련 손실에 동일한 영향을 미치도록 가중치를 선택하려는 경우 `balanced`를 지정합니다.** 이 알고리즘이 성능을 최적화하는 가중치를 선택하도록 하려는 경우 `auto`를 지정합니다.
**선택 사항**
유효한 값: `balanced`, `auto` 또는 양의 부동 소수점 정수
기본값: 1.0 |
| quantile | 분위 손실에 대한 분위. 분위 q의 경우 이 모델은 `true_label`의 값을 가능성 q를 사용한 예측보다 크도록 예측을 생성하려고 합니다.
**선택 사항**
유효한 값: 0부터 1 사이의 부동 소수점 정수
기본 값: 0.5 |
| target\_precision | 대상 정밀도. `binary_classifier_model_selection_criteria`가 `recall_at_target_precision`인 경우 재현율이 최대화된 상태에서는 정밀도가 이 값에서 유지됩니다.
**선택 사항**
유효한 값: 0부터 1.0 사이의 부동 소수점 정수
기본값: 0.8 |
| target\_recall | 대상 재현율. `binary_classifier_model_selection_criteria`가 `precision_at_target_recall`인 경우 정밀도가 최대화된 상태에서는 재현율이 이 값에서 유지됩니다.
**선택 사항**
유효한 값: 0부터 1.0 사이의 부동 소수점 정수
기본값: 0.8 |
| unbias\_data | 평균이 0이 되도록 훈련 전 특징을 비편향화합니다. `use_bias` 하이퍼파라미터가 `true`로 설정되어 있으므로 기본적으로 데이터는 비편향화됩니다.
**선택 사항**
유효값: `auto`, `true` 또는 `false`
기본값: `auto` |
| unbias\_label | 평균이 0이 되도록 훈련 전 레이블을 비편향화합니다. `use_bias` 하이퍼파라미터가 `true`로 설정된 경우에만 회귀에 적용됩니다.
**선택 사항**
유효값: `auto`, `true` 또는 `false`
기본값: `auto` |
| use\_bias | 모델이 편향항을 포함해야 할지 여부를 지정합니다. 편향항은 선형 방정식의 절편항입니다.
**선택 사항**
유효한 값: `true` 또는 `false`
기본값: `true` |
| use\_lr\_scheduler | 학습률에 대한 스케줄러를 사용할지 여부. 스케줄러를 사용하려는 경우 `true`를 지정합니다.
**선택 사항**
유효한 값: `true` 또는 `false`
기본값: `true` |
| wd | 가중치 감소 파라미터(L2 정규화 파라미터라고도 함). L2 정규화를 사용하지 않으려면 이 값을 0으로 설정합니다.
**선택 사항**
유효한 값: `auto` 또는 음수가 아닌 부동 소수점 정수
기본값: `auto` |