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。

# AutoGluon - 自列表格超參數
<a name="autogluon-tabular-hyperparameters"></a>

下表包含 Amazon SageMaker AI AutoGluon - 自列表格演算法所需或最常用的超參數子集。使用者設定參數，並用來協助從資料預估模型參數。SageMaker AI AutoGluon - 自列表格演算法是開放原始碼 [AutoGluon - 自列表格](https://github.com/awslabs/autogluon)套件的實作。

**注意**  
預設超參數是根據[AutoGluon - 自列表格樣本筆記本](autogluon-tabular.md#autogluon-tabular-sample-notebooks)中的範例資料集。

依預設，SageMaker AI AutoGluon - 自列表格演算法會根據分類問題的類型自動選擇評估量度。演算法會根據資料中的標籤數量來偵測分類問題的類型。對於迴歸問題，評估量度是均方根誤差。對於二進位分類問題，評估量度是接收器操作特性曲線 (AUC) 下的面積。對於多類別分類問題，評估量度是準確性。您可以使用 `eval_metric` 超參數來變更預設評估指標。如需有關 AutoGluon - 自列表格超參數的詳細資訊，包括說明、有效值和預設值，請參閱下表。


| 參數名稱 | Description | 
| --- | --- | 
| eval\$1metric |  驗證資料的評估指標。如果設`eval_metric`為預設`"auto"`值，則演算法會根據分類問題類型自動選擇評估量度： [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) 有效值：字串，請參閱 [AutoGluon 文件](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html)以取得有效值。 預設值：`"auto"`。  | 
| presets |  `fit()` 中各種引數的預設組態清單。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/autogluon-tabular-hyperparameters.html) 如需詳細資訊，請參閱 [AutoGluon 預測值](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html)。 有效值：字串，下列任一項：(`"best_quality"`, `"high_quality"`, `good_quality"`, `"medium_quality"`, `"optimize_for_deployment"`,` or "interpretable"`)。 預設值：`"medium_quality"`。  | 
| auto\$1stack |  AutoGluon 是否應該自動利用裝袋和多層堆疊組合來提高預測準確性。如果您願意容忍更長的訓練時間，以最大限度地提高預測準確性，則設定`auto_stack`為`"True"`。這會根據資料集屬性自動設定`num_bag_folds`和`num_stack_levels`引數。 有效值：字串，`"True"` 或 `"False"`。 預設值：`"False"`。  | 
| num\$1bag\$1folds |  用於裝袋模型的折疊數。當`num_bag_folds`等於`k`，訓練時間大致增加了`k`倍。設定`num_bag_folds`為 0 可停用裝袋。依預設會停用此功能，但我們建議使用介於 5 到 10 之間的值，以最大化預測效能。增加`num_bag_folds`會導致偏差較低的模型，但較容易出現過度擬合的模型。一是這個參數的無效值，並且會引發一個 `ValueError`。大於 10 的值可能會導致收益下降，甚至可能會因過度擬合而損害整體結果。為了進一步改善預測，請避免增加`num_bag_folds`，並且返向增加`num_bag_sets`。 有效值：字串，介於 (和包括) `"0"` 和 `"10"` 之間的任何整數。 預設值：`"0"`。  | 
| num\$1bag\$1sets |  要執行 kfold 套袋的重複數 (值必須大於或等於 1)。裝袋期間訓練的模型總數等於 `num_bag_folds` \$1 `num_bag_sets`。如果 `time_limit` 未指定，則此參數預設為一。如果`num_bag_folds`未指定，則會停用此參數。大於一個的值可獲得卓越的預測性效能，尤其是在較小的問題和啟用堆疊功能時。 有效值：整數,範圍：[`1`, `20`]。 預設值：`1`。  | 
| num\$1stack\$1levels |  堆疊整體中要使用的堆疊層級數目。`num_stack_levels`以 \$1 1 的係數大致增加模型訓練時間。將此參數設定為 0 可停用堆疊合併。依預設會停用此功能，但我們建議使用介於 1 到 3 之間的值，以最大化預測效能。為了防止過度擬合和 `ValueError`，`num_bag_folds`必須大於或等於 2。 有效值：浮點數、範圍：[`0`, `3`]。 預設值：`0`。  | 
| refit\$1full |  在正常訓練程序之後，是否要重新訓練所有資料 (訓練和驗證) 上的所有模型。如需詳細資訊，請參閱 [AutoGluon 預測值](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.html)。 有效值：字串，`"True"` 或 `"False"`。 預設值：`"False"`。  | 
| set\$1best\$1to\$1refit\$1full |  是否變更預測值用於預測的預設模型。如果設定`set_best_to_refit_full`為`"True"`，則預設模型會變更為因重新調整 (由 `refit_full` 啟動) 而展示最高驗證分數的模型。只有設置`refit_full`時才有效。 有效值：字串，`"True"` 或 `"False"`。 預設值：`"False"`。  | 
| save\$1space |  是否要注意透過刪除預測新資料所需的輔助模型檔案來減少預測值的記憶體和磁碟大小。這對推論準確性沒有影響。我們建議設定`save_space`為`"True"`，如果唯一的目標是使用訓練過的模型進行預測。如果`save_space`設定為`"True"`，某些進階功能可能無法再使用。如需詳細資訊，請參閱`[predictor.save\$1space()](https://auto.gluon.ai/stable/api/autogluon.tabular.TabularPredictor.save_space.html)`文件。 有效值：字串，`"True"` 或 `"False"`。 預設值：`"False"`。  | 
| verbosity |  列印訊息的詳細程度。`verbosity`層次範圍從`0`到`4`，較高的層次與更詳細的列印對帳單相對應。`0` 的 `verbosity` 會抑制警告。 有效值：字串，下列任一項：(`0`, `1`, `2`, `3`, 或 `4`)。 預設值：`2`。  |