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 XGBoost modelo
<a name="xgboost-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 de treinamento e validação. Você escolhe três tipos de hiperparâmetros:
+ uma função de `objective` de aprendizado para otimizar durante o treinamento de modelo
+ uma `eval_metric` para usar 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

Você escolhe a métrica de avaliação do conjunto de métricas de avaliação que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica de avaliação. 

**nota**  
O ajuste automático do modelo para XGBoost 0,90 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 XGBoost
<a name="xgboost-metrics"></a>

O XGBoost algoritmo calcula as seguintes métricas para usar na validação do modelo. Ao ajustar o modelo, escolha uma destas métricas para avaliar o modelo. Para obter uma lista completa de `eval_metric` valores válidos, consulte [Parâmetros da tarefa de XGBoost aprendizagem](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters)


| Nome da métrica | Description | Direção de otimização | 
| --- | --- | --- | 
| validation:accuracy |  Taxa de classificação, calculada como \$1(right)/\$1(all cases).  |  Maximizar  | 
| validation:auc |  Área sob a curva.  |  Maximizar  | 
| validation:error |  Taxa de erro de classificação binária, calculada como \$1(casos errados)/\$1(todos os casos).  |  Minimizar  | 
| validation:f1 |  Indicador de precisão de classificação, calculado como a média harmônica de precisão e recall.  |  Maximizar  | 
| validation:logloss |  Verossimilhança de log negativa.  |  Minimizar  | 
| validation:mae |  Erro absoluto médio.  |  Minimizar  | 
| validation:map |  Precisão média da média.  |  Maximizar  | 
| validation:merror |  Taxa de erro de classificação multiclasse, calculada como \$1(casos errados)/\$1(todos os casos).  |  Minimizar  | 
| validation:mlogloss |  Verossimilhança de log negativa para classificação multiclasse.  |  Minimizar  | 
| validation:mse |  Erro quadrático médio.  |  Minimizar  | 
| validation:ndcg |  Ganho cumulativo descontado normalizado.  |  Maximizar  | 
| validation:rmse |  Erro quadrático médio.  |  Minimizar  | 

## Hiperparâmetros ajustáveis XGBoost
<a name="xgboost-tunable-hyperparameters"></a>

Ajuste o XGBoost modelo com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior efeito na otimização das métricas de XGBoost avaliação são:`alpha`,`min_child_weight`, `subsample``eta`, e. `num_round` 


| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados | 
| --- | --- | --- | 
| alpha |  ContinuousParameterRanges  |  MinValue: 0, MaxValue 100  | 
| colsample\$1bylevel |  ContinuousParameterRanges  |  MinValue: 0,1, MaxValue: 1  | 
| colsample\$1bynode |  ContinuousParameterRanges  |  MinValue: 0,1, MaxValue: 1  | 
| colsample\$1bytree |  ContinuousParameterRanges  |  MinValue: 0,5, MaxValue: 1  | 
| eta |  ContinuousParameterRanges  |  MinValue: 0,1, MaxValue 0,5  | 
| gamma |  ContinuousParameterRanges  |  MinValue: 0, MaxValue 5  | 
| lambda |  ContinuousParameterRanges  |  MinValue: 0, MaxValue 100  | 
| max\$1delta\$1step |  IntegerParameterRanges  |  [0, 10]  | 
| max\$1depth |  IntegerParameterRanges  |  [0, 10]  | 
| min\$1child\$1weight |  ContinuousParameterRanges  |  MinValue: 0, MaxValue 120  | 
| num\$1round |  IntegerParameterRanges  |  [1, 4000]  | 
| subsample |  ContinuousParameterRanges  |  MinValue: 0,5, MaxValue: 1  |