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. # Hiperparâmetros LightGBM A tabela a seguir contém o subconjunto de hiperparâmetros que são necessários ou mais comumente usados para o algoritmo Amazon SageMaker AI LightGBM. Os usuários definem esses parâmetros para facilitar a estimativa dos parâmetros do modelo a partir dos dados. [O algoritmo SageMaker AI LightGBM é uma implementação do pacote LightGBM de código aberto.](https://github.com/microsoft/LightGBM) **nota** Os hiperparâmetros padrão são baseados em conjuntos de dados de exemplo no [Exemplos de cadernos LightGBM](lightgbm.md#lightgbm-sample-notebooks). Por padrão, o algoritmo SageMaker AI LightGBM escolhe automaticamente uma métrica de avaliação e uma função objetiva com base no tipo de problema de classificação. O algoritmo LightGBM detecta o tipo de problema de classificação com base no número de rótulos em seus dados. Para problemas de regressão, a métrica de avaliação é a raiz do erro quadrático médio e a função objetivo é a perda de L2. Para problemas de classificação binária, a métrica de avaliação e a função objetiva são ambas entropia cruzada binária. Para problemas de classificação multiclasse, a métrica de avaliação é entropia cruzada multiclasse e a função objetivo é softmax. Você pode usar o hiperparâmetro `metric` para alterar a métrica de avaliação padrão. Consulte a tabela a seguir para obter mais informações sobre os hiperparâmetros do LightGBM, incluindo descrições, valores válidos e valores padrão. | Nome do parâmetro | Description | | --- | --- | | num\$1boost\$1round | O número máximo de iterações de reforço. **Nota:** Internamente, o LightGBM constrói árvores `num_class * num_boost_round` para problemas de classificação multiclasse. Valores válidos: inteiro, intervalo: inteiro positivo. Valor padrão: `100`. | | early\$1stopping\$1rounds | O treinamento será interrompido se uma métrica de um ponto de dados de validação não melhorar na última rodada `early_stopping_rounds`. Se `early_stopping_rounds` for menor ou igual a zero, esse hiperparâmetro será ignorado. Valores válidos: inteiro. Valor padrão: `10`. | | metric | A métrica de avaliação para os dados de validação. Se `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/lightgbm-hyperparameters.html) Valores válidos: string, qualquer um dos seguintes: (`"auto"`,`"rmse"`, `"l1"`, `"l2"`, `"huber"`, `"fair"`, `"binary_logloss"`, `"binary_error"`, `"auc"`, `"average_precision"`, `"multi_logloss"`, `"multi_error"`, `"auc_mu"` ou`"cross_entropy"`). Valor padrão: `"auto"`. | | learning\$1rate | A taxa na qual os pesos do modelo são atualizados depois de analisar cada lote de exemplos de treinamento. Valores válidos: flutuante. Intervalo: (`0.0`, `1.0`). Valor padrão: `0.1`. | | num\$1leaves | O número máximo de folhas em uma árvore. Valores válidos: flutuante. Intervalo: (`1`, `131072`). Valor padrão: `64`. | | feature\$1fraction | Um subconjunto de atributos a serem selecionados em cada iteração (árvore). Deve ser menor que 1.0. Valores válidos: flutuante. Intervalo: (`0.0`, `1.0`). Valor padrão: `0.9`. | | bagging\$1fraction | Um subconjunto de atributos semelhantes a `feature_fraction`, mas `bagging_fraction` seleciona aleatoriamente parte dos dados sem reamostragem. Valores válidos: flutuante. Intervalo: (`0.0`, `1.0`). Valor padrão: `0.9`. | | bagging\$1freq | A frequência para realizar o ensacamento. Em cada iteração `bagging_freq`, o LightGBM seleciona aleatoriamente uma porcentagem dos dados a serem usados na próxima iteração `bagging_freq`. Essa porcentagem é determinada pelo hiperparâmetro `bagging_fraction`. Se `bagging_freq` for zero, o ensacamento será desativado. Valores válidos: inteiro, intervalo: inteiro não negativo. Valor padrão: `1`. | | max\$1depth | A profundidade máxima de um modelo de árvore. Isso é usado para lidar com o sobreajuste quando a quantidade de dados é pequena. Se `max_depth` for menor ou igual a zero, isso significa que não há limite para a profundidade máxima. Valores válidos: inteiro. Valor padrão: `6`. | | min\$1data\$1in\$1leaf | A quantidade mínima de dados em uma folha. Pode ser usado para lidar com o sobreajuste. Valores válidos: inteiro, intervalo: inteiro não negativo. Valor padrão: `3`. | | max\$1delta\$1step | Usado para limitar a produção máxima de folhas de árvores. Se `max_delta_step` for menor ou igual a 0, não haverá restrição. A saída máxima final das folhas é `learning_rate * max_delta_step`. Valores válidos: flutuante. Valor padrão: `0.0`. | | lambda\$1l1 | regularização L1. Valores válidos: flutuante, intervalo: flutuante não negativo. Valor padrão: `0.0`. | | lambda\$1l2 | regularização L2. Valores válidos: flutuante, intervalo: flutuante não negativo. Valor padrão: `0.0`. | | boosting | Tipo de reforço Valores válidos: string, qualquer um dos seguintes: (`"gbdt"`, `"rf"`, `"dart"` ou `"goss"`). Valor padrão: `"gbdt"`. | | min\$1gain\$1to\$1split | O ganho mínimo para realizar uma divisão. Pode ser usado para acelerar o treinamento. Valores válidos: inteiro, flutuante: flutuante não negativo. Valor padrão: `0.0`. | | scale\$1pos\$1weight | O peso dos rótulos com classe positiva. Usado somente para tarefas de classificação binária. `scale_pos_weight` não pode ser usado se `is_unbalance` estiver definido como `"True"`. Valores válidos: flutuante, intervalo: flutuante positivo Valor padrão: `1.0`. | | tree\$1learner | Tipo de aprendiz em árvore. Valores válidos: string, qualquer um dos seguintes: (`"serial"`, `"feature"`, `"data"` ou `"voting"`). Valor padrão: `"serial"`. | | feature\$1fraction\$1bynode | Seleciona um subconjunto de atributos aleatórios em cada nó da árvore. Por exemplo, se `feature_fraction_bynode` for`0.8`, 80% dos atributos serão selecionados. Pode ser usado para lidar com o sobreajuste. Valores válidos: inteiro, Intervalo: (`0.0`, `1.0`). Valor padrão: `1.0`. | | is\$1unbalance | Defina como `"True"` se os dados de treinamento estiverem desbalanceados. Usado somente para tarefas de classificação binária. `is_unbalance` não pode ser usado com `scale_pos_weight`. Valores válidos: string, ou: (`"True"` ou `"False"`). Valor padrão: `"False"`. | | max\$1bin | O número máximo de buckets usados para armazenar valores de atributos no bucket. Um pequeno número de compartimentos pode reduzir a precisão do treinamento, mas pode aumentar o desempenho geral. Pode ser usado para lidar com o sobreajuste. Valores válidos: inteiro, Intervalo: (1, ∞). Valor padrão: `255`. | | tweedie\$1variance\$1power | Controla a variação da distribuição Tweedie. Defina este valor mais próximo a `2.0` para mudar para uma distribuição gama. Defina este valor mais próximo a `1.0` para mudar para uma distribuição Poisson. Usado somente para tarefas de regressão. Valores válidos: flutuante. Intervalo: (`1.0`, `2.0`). Valor padrão: `1.5`. | | num\$1threads | Número de threads paralelos usado para executar LightGBM. O valor 0 significa o número padrão de threads no OpenMP. Valores válidos: inteiro, intervalo: inteiro não negativo. Valor padrão: `0`. | | verbosity | A verbosidade das mensagens impressas. Se `verbosity` for menor que`0`, as mensagens impressas mostrarão apenas erros fatais. Se `verbosity` estiver definido como `0`, as mensagens impressas incluirão erros e avisos. Se `verbosity` for `1`, as mensagens impressas mostrarão mais informações. Um `verbosity` maior que `1` mostra a maioria das informações nas mensagens impressas e pode ser usado para depuração. Valores válidos: inteiro. Valor padrão: `1`. |