本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 適用於表格式資料的內建 SageMaker AI 演算法
<a name="algorithms-tabular"></a>

Amazon SageMaker AI 提供專為表格式資料分析量身打造的內建演算法。表格資料是指在任何由列 (觀察) 和欄 (功能) 組成的表中所組織的任何資料集。表格式資料的內建 SageMaker AI 演算法可用於分類或迴歸問題。
+ [AutoGluon - 自列表格](autogluon-tabular.md) - 為開放原始碼 AutoML 框架，透過合併模型並將它們堆疊在多個圖層中來成功運作。
+ [CatBoost](catboost.md) - 為梯度提升樹演算法的實作，該算法引入了有序增強和用於處理分類功能的創新算法。
+ [Factorization Machines 演算法](fact-machines.md) - 為線性模型的擴展，旨在高維度稀疏資料集內，以經濟實惠方式擷取各特徵之間的互動。
+ [K 近鄰 (k-NN) 演算法](k-nearest-neighbors.md) - 使用最接近 k 標籤點的非參數方法，將標籤指派給新資料點進行分類，或從最接近 k 點的平均值中指定一個預測的目標值以進行迴歸。
+ [LightGBM](lightgbm.md) - 為梯度提升樹演算法的實作，該算法增加了兩種新穎的技術以提高效率和可擴展性：基於梯度的單側採樣 (GOSS) 和獨家功能綁定 (EFB)。
+ [線性學習程式演算法](linear-learner.md) - 學習用於迴歸的線性函式，或用於分類的線性閾值函式。
+ [TabTransformer](tabtransformer.md) - 建立在基於自我關注的變形金剛的新型深度表格資料建模架構。
+ [XGBoost 演算法搭配 Amazon SageMaker AI](xgboost.md)——為梯度提升樹演算法的實作，該算法結合了來自一組簡單和較弱的模型的估計值。


| 演算法名稱 | 頻道名稱 | 訓練輸入模式 | 檔案類型 | 執行個體類別 | 可平行化 | 
| --- | --- | --- | --- | --- | --- | 
| AutoGluon - 自列表格 | 訓練和 (選擇性) 驗證 | 檔案 | CSV | GPU 或 CPU (限單一執行個體) | 否 | 
| CatBoost | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU (限單一執行個體) | 否 | 
| 分解機 | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf | CPU (密集資料則 GPU) | 是 | 
| K-Nearest-Neighbors (k-NN) | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU (在一或多個執行個體上的單一 GPU 裝置) | 是 | 
| LightGBM | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU (限單一執行個體) | 否 | 
| 線性學習程式 | 訓練和 (選擇性) 驗證、測試，或兩者兼具 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU | 是 | 
| TabTransformer | 訓練和 (選擇性) 驗證 | 檔案 | CSV | GPU 或 CPU (限單一執行個體) | 否 | 
| XGBoost (0.90-1, 0.90-2, 1.0-1, 1.2-1, 1.2-21) | 訓練和 (選擇性) 驗證 | 檔案或管道 | CSV、LibSVM 或 Parquet | CPU (或適用於 1.2-1 的 GPU) | 是 |