As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # AutoGluon-Hiperparâmetros tabulares A tabela a seguir contém o subconjunto de hiperparâmetros que são necessários ou mais comumente usados para o algoritmo Amazon SageMaker AI AutoGluon -Tabular. Os usuários definem esses parâmetros para facilitar a estimativa dos parâmetros do modelo a partir dos dados. [O algoritmo SageMaker AI AutoGluon -Tabular é uma implementação do pacote -Tabular de código abertoAutoGluon.](https://github.com/awslabs/autogluon) **nota** Os hiperparâmetros padrão são baseados em conjuntos de dados de exemplo no [AutoGluon-Amostras tabulares de cadernos](autogluon-tabular.md#autogluon-tabular-sample-notebooks). Por padrão, o algoritmo SageMaker AI AutoGluon -Tabular escolhe automaticamente uma métrica de avaliação com base no tipo de problema de classificação. O algoritmo detecta o tipo de problema de classificação com base no número de rótulos nos seus dados. Para problemas de regressão, a métrica de avaliação é a raiz do erro quadrático médio. Para problemas de classificação binária, a métrica de avaliação é a área sob a curva característica de operação do receptor (AUC). Para problemas de classificação multiclasse, a métrica de avaliação é a precisão. Você pode usar o hiperparâmetro `eval_metric` para alterar a métrica de avaliação padrão. Consulte a tabela a seguir para obter mais informações sobre hiperparâmetros AutoGluon -Tabulares, incluindo descrições, valores válidos e valores padrão. | Nome do parâmetro | Description | | --- | --- | | eval\$1metric | A métrica de avaliação para os dados de validação. Se `eval_metric` for definido como o valor padrão `"auto"`, o algoritmo escolherá automaticamente uma métrica de avaliação com base no tipo de problema de classificação: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) Valores válidos: string, consulte a [AutoGluon documentação](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html) para valores válidos. Valor padrão: `"auto"`. | | presets | Lista de configurações predefinidas para vários argumentos em `fit()`. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) Para obter mais detalhes, consulte [AutoGluon Preditores](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html). Valores válidos: string, qualquer um dos seguintes (`"best_quality"`, `"high_quality"`, `good_quality"`, `"medium_quality"`, `"optimize_for_deployment"`, ` or "interpretable"`). Valor padrão: `"medium_quality"`. | | auto\$1stack | Se AutoGluon deve utilizar automaticamente o ensacamento e o conjunto de pilhas de várias camadas para aumentar a precisão preditiva. Defina `auto_stack` como `"True"` se você está disposto a tolerar tempos de treinamento mais longos para maximizar a precisão preditiva. Isso define automaticamente os argumentos `num_bag_folds` e `num_stack_levels` baseado nas propriedades do conjunto de dados. Valores válidos: string: `"True"` ou `"False"`. Valor padrão: `"False"`. | | num\$1bag\$1folds | Número de dobras usadas para ensacamento dos modelos. Quando `num_bag_folds` é igual a `k`, o tempo de treinamento é aproximadamente aumentado em um fator de `k`. Defina `num_bag_folds` como 0 para desativar o ensacamento. Isso está desativado por padrão, mas recomendamos o uso de valores entre 5 e 10 para maximizar o desempenho preditivo. O aumento de `num_bag_folds` resulta em modelos com menor desvio, mas que são mais propensos a sobreajustes. Um é um valor inválido para esse parâmetro e gerará um `ValueError`. Valores maiores que 10 podem produzir retornos decrescentes e até mesmo prejudicar os resultados gerais devido ao sobreajuste. Para melhorar ainda mais as predições, evite aumentar `num_bag_folds` e, em vez disso, aumente `num_bag_sets`. Valores válidos: string, qualquer número inteiro entre (e incluindo) `"0"` e `"10"`. Valor padrão: `"0"`. | | num\$1bag\$1sets | Número de repetições do ensacamento de kfold a serem realizadas (os valores devem ser maiores ou iguais a 1). O número total de modelos treinados durante o ensacamento é igual a `num_bag_folds` \$1 `num_bag_sets`. Este parâmetro é padronizado como um se `time_limit` não for especificado. Este parâmetro é desativado se `num_bag_folds` não for especificado. Valores maiores que um resultam em desempenho preditivo superior, especialmente em problemas menores e com empilhamento habilitado. Valores válidos: inteiro, intervalo: [`1`, `20`]. Valor padrão: `1`. | | num\$1stack\$1levels | Número de níveis de empilhamento a serem usados no conjunto de pilhas. Aumenta aproximadamente o tempo de treinamento de modelos em um fator de `num_stack_levels` \$1 1. Defina esse parâmetro como 0 para desativar o agrupamento de pilhas. Este parâmetro está desativado por padrão, mas recomendamos usar valores entre 1 e 3 para maximizar o desempenho preditivo. Para evitar o sobreajuste e a `ValueError`, `num_bag_folds` deve ser maiores ou iguais a 2. Valores válidos: flutuante, intervalo: [`0`, `3`]. Valor padrão: `0`. | | refit\$1full | Se deve ou não treinar novamente todos os modelos em todos os dados (treinamento e validação) após o procedimento normal de treinamento. Para obter mais detalhes, consulte [AutoGluon Preditores](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html). Valores válidos: string: `"True"` ou `"False"`. Valor padrão: `"False"`. | | set\$1best\$1to\$1refit\$1full | Se deve ou não alterar o modelo padrão que o preditor usa para predição. Se `set_best_to_refit_full` estiver definido como `"True"`, o modelo padrão mudará para o modelo que exibiu a maior pontuação de validação como resultado da remontagem (ativada por `refit_full`). Válido somente se `refit_full` estiver definido. Valores válidos: String: `"True"` ou `"False"`. Valor padrão: `"False"`. | | save\$1space | Se deve ou não reduzir a memória e o tamanho do disco do preditor, excluindo arquivos de modelo auxiliares que não são necessários para predição de novos dados. Isso não tem impacto na precisão da inferência. Recomendamos definir `save_space` como `"True"` se o único objetivo é usar o modelo treinado para predição. Certas funcionalidades avançadas podem não estar mais disponíveis `save_space` se estiverem definidas como `"True"`. Consulte a documentação `[predictor.save\$1space()](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.save_space.html)` para obter mais detalhes. Valores válidos: string: `"True"` ou `"False"`. Valor padrão: `"False"`. | | verbosity | A verbosidade das mensagens impressas. Os níveis `verbosity` variam de `0` a `4`, com níveis mais altos correspondendo a instruções de impressão mais detalhadas. Um `verbosity` de `0` suprime os avisos. Valores válidos: número inteiro, qualquer um dos seguintes: (`0`, `1`, `2`, `3` ou `4`). Valor padrão: `2`. |