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.
# Ajuste um modelo LightGBM
O *ajuste automático de modelos*, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. O ajuste do modelo se concentra nos seguintes hiperparâmetros:
**nota**
A função de objetivo de aprendizado é atribuída automaticamente com base no tipo de tarefa de classificação, que é determinado pelo número de números inteiros exclusivos na coluna do rótulo. Para obter mais informações, consulte [Hiperparâmetros LightGBM](lightgbm-hyperparameters.md).
+ Uma função de objetivo de aprendizado para otimizar durante o treinamento do modelo
+ Uma métrica de avaliação usada para avaliar o desempenho do modelo durante a validação
+ Um conjunto de hiperparâmetros e uma faixa de valores para cada um usar ao ajustar o modelo automaticamente
O ajuste de modelo automático pesquisa os seus hiperparâmetros especificados para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.
**nota**
O ajuste automático do modelo para o LightGBM está disponível apenas na Amazon SageMaker SDKs, não no console SageMaker AI.
Para mais informações sobre o ajuste de modelos, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
## Métricas de avaliação calculadas pelo algoritmo LightGBM
O algoritmo SageMaker AI LightGBM calcula as seguintes métricas para usar na validação do modelo. A métrica de avaliação é atribuída automaticamente com base no tipo de tarefa de classificação, que é determinado pelo número de números inteiros exclusivos na coluna do rótulo.
| Nome da métrica | Description | Direção de otimização | Padrão Regex |
| --- | --- | --- | --- |
| rmse | erro quadrático médio. | minimizar | "rmse: ([0-9\\\\.]\+)" |
| l1 | erro absoluto médio | minimizar | "l1: ([0-9\\\\.]\+)" |
| l2 | erro quadrático médio | minimizar | "l2: ([0-9\\\\.]\+)" |
| huber | perda de huber | minimizar | "huber: ([0-9\\\\.]\+)" |
| fair | perda justa | minimizar | "fair: ([0-9\\\\.]\+)" |
| binary\_logloss | entropia cruzada binária | maximizar | "binary\_logloss: ([0-9\\\\.]\+)" |
| binary\_error | erro binário | minimizar | "binary\_error: ([0-9\\\\.]\+)" |
| auc | AUC | maximizar | "auc: ([0-9\\\\.]\+)" |
| average\_precision | pontuação de precisão média | maximizar | "average\_precision: ([0-9\\\\.]\+)" |
| multi\_logloss | entropia cruzada multiclasse | maximizar | "multi\_logloss: ([0-9\\\\.]\+)" |
| multi\_error | pontuação de erro multiclasse | minimizar | "multi\_error: ([0-9\\\\.]\+)" |
| auc\_mu | AUC-Mu | maximizar | "auc\_mu: ([0-9\\\\.]\+)" |
| cross\_entropy | entropia cruzada | minimizar | "cross\_entropy: ([0-9\\\\.]\+)" |
## Hiperparâmetros ajustáveis LightGBM
Ajuste o modelo LightGBM com os seguintes hiperparâmetros: Os hiperparâmetros que têm o maior efeito na otimização das métricas de avaliação do LightGBM são:`learning_rate`, `num_leaves`, `feature_fraction`, `bagging_fraction`, `bagging_freq`, `max_depth` e `min_data_in_leaf`. Para obter uma lista de todos os hiperparâmetros do LightGBM, consulte [Hiperparâmetros LightGBM](lightgbm-hyperparameters.md).
| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados |
| --- | --- | --- |
| learning\_rate | ContinuousParameterRanges | MinValue: 0,001, MaxValue: 0,01 |
| num\_leaves | IntegerParameterRanges | MinValue: 10, MaxValue 10 |
| feature\_fraction | ContinuousParameterRanges | MinValue: 0,1, MaxValue 1,0 |
| bagging\_fraction | ContinuousParameterRanges | MinValue: 0,1, MaxValue 1,0 |
| bagging\_freq | IntegerParameterRanges | MinValue: 0, MaxValue 10 |
| max\_depth | IntegerParameterRanges | MinValue: 15, MaxValue 10 |
| min\_data\_in\_leaf | IntegerParameterRanges | MinValue: 10, MaxValue 20 |