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.

# Ajustar um TabTransformer modelo
<a name="tabtransformer-tuning"></a>

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 e a métrica de avaliação são ambas atribuídas 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 [TabTransformer hiperparâmetros](tabtransformer-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 escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica escolhida.

**nota**  
O ajuste automático do modelo para TabTransformer está disponível somente nos SageMaker SDKs da Amazon, não no console de SageMaker IA.

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 TabTransformer
<a name="tabtransformer-metrics"></a>

O TabTransformer algoritmo de SageMaker IA 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 | 
| --- | --- | --- | --- | 
| r2 | r quadrado | maximizar | "metrics={'r2': (\\\\S\+)}" | 
| f1\_score | entropia cruzada binária | maximizar | "metrics={'f1': (\\\\S\+)}" | 
| accuracy\_score | entropia cruzada multiclasse | maximizar | "metrics={'accuracy': (\\\\S\+)}" | 

## Hiperparâmetros ajustáveis TabTransformer
<a name="tabtransformer-tunable-hyperparameters"></a>

Ajuste o TabTransformer modelo com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior efeito na otimização das métricas de TabTransformer avaliação são:`learning_rate`,`input_dim`,`n_blocks`, `attn_dropout``mlp_dropout`, e. `frac_shared_embed` Para obter uma lista de todos os TabTransformer hiperparâmetros, consulte[TabTransformer hiperparâmetros](tabtransformer-hyperparameters.md).


| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados | 
| --- | --- | --- | 
| learning\_rate | ContinuousParameterRanges | MinValue: 0,001, MaxValue: 0,01 | 
| input\_dim | CategoricalParameterRanges | [16, 32, 64, 128, 256, 512] | 
| n\_blocks | IntegerParameterRanges | MinValue: 1, MaxValue 12 | 
| attn\_dropout | ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,8 | 
| mlp\_dropout | ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,8 | 
| frac\_shared\_embed | ContinuousParameterRanges | MinValue: 0,0, MaxValue 0,5 |