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。

# 調校線性學習程式模型
<a name="linear-learner-tuning"></a>

*自動模型調校*，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。

線性學習程式演算法也有內部機制可調校超參數，與此處描述的自動模型調校功能有所區隔。根據預設，線性學習程式演算法會透過平行訓練多個模型來調校超參數。當您使用自動模型調校時，線性學習程式的內部調校機制會自動關閉。這會將平行模型的數量 `num_models` 設為 1。演算法會忽略您針對 `num_models` 設定的任何值。

如需模型調校的詳細資訊，請參閱[使用 SageMaker AI 執行自動模型調校](automatic-model-tuning.md)。

## 依線性學習程式演算法運算的指標
<a name="linear-learner-metrics"></a>

線性學習程式演算法回報下表中的指標，它們是在訓練期間計算的。選擇其中一個做為目標指標。為了避免過度擬合，建議您針對驗證指標調校模型，不是針對訓練指標。


| 指標名稱 | Description | 最佳化方向 | 
| --- | --- | --- | 
| test:absolute\_loss | 測試資料集之最終模型的絕對損失。此目標指標僅對迴歸有效。 | 最小化 | 
| test:binary\_classification\_accuracy | 測試資料集之最終模型的準確性。此目標指標僅對二元分類有效。 | 最大化 | 
| test:binary\_f\_beta | 測試資料集之最終模型的 F-beta 分數。根據預設是 F1 分數，這是精確度和回呼的調和平均數。此目標指標僅對二元分類有效。 | 最大化 | 
| test:dcg | 測試資料集之最終模型的折扣累積增益。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:macro\_f\_beta | 測試資料集之最終模型的 F-beta 分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:macro\_precision | 測試資料集之最終模型的精確度分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:macro\_recall | 測試資料集之最終模型的回呼分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:mse | 測試資料集之最終模型的均方誤差。此目標指標僅對迴歸有效。 | 最小化 | 
| test:multiclass\_accuracy | 測試資料集之最終模型的準確性。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:multiclass\_top\_k\_accuracy | 測試資料集之預測的前 k 個標籤之間的準確性。如果您選擇此指標做為目標，建議您使用 `accuracy_top_k` 超參數設定 k 的值。此目標指標僅對多類別分類有效。 | 最大化 | 
| test:objective\_loss | 模型訓練後之測試資料集的目標遺失函式平均值。根據預設，遺失是二元分類的邏輯遺失和迴歸的平方遺失。若要將遺失設定成其他類型，請使用 `loss` 超參數。 | 最小化 | 
| test:precision | 測試資料集之最終模型的精確度。如果您選擇此指標做為目標，建議您將 `binary_classifier_model_selection` 超參數設成 `precision_at_target_recall`，並設定 `target_recall` 超參數的值，以設定目標回呼。此目標指標僅對二元分類有效。 | 最大化 | 
| test:recall | 測試資料集之最終模型的回呼。如果您選擇此指標做為目標，建議您將 `binary_classifier_model_selection` 超參數設為 `recall_at_target_precision`，並設定 `target_precision` 超參數的值，以設定目標精確度。此目標指標僅對二元分類有效。 | 最大化 | 
| test:roc\_auc\_score | 測試資料集之最終模型接收操作特徵曲線 (ROC 曲線) 以下的區域。此目標指標僅對二元分類有效。 | 最大化 | 
| validation:absolute\_loss | 驗證資料集之最終模型的絕對損失。此目標指標僅對迴歸有效。 | 最小化 | 
| validation:binary\_classification\_accuracy | 驗證資料集之最終模型的準確性。此目標指標僅對二元分類有效。 | 最大化 | 
| validation:binary\_f\_beta | 驗證資料集之最終模型的 F-beta 分數。根據預設，F-beta 分數是 F1 分數，這是 `validation:precision` 和 `validation:recall` 指標的調和平均數。此目標指標僅對二元分類有效。 | 最大化 | 
| validation:dcg | 驗證資料集之最終模型的折扣累積增益。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:macro\_f\_beta | 驗證資料集之最終模型的 F-beta 分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:macro\_precision | 驗證資料集之最終模型的精準度分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:macro\_recall | 驗證資料集之最終模型的回呼分數。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:mse | 驗證資料集之最終模型的均方誤差。此目標指標僅對迴歸有效。 | 最小化 | 
| validation:multiclass\_accuracy | 驗證資料集之最終模型的準確性。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:multiclass\_top\_k\_accuracy | 驗證資料集之預測的前 k 個標籤之間的準確性。如果您選擇此指標做為目標，建議您使用 `accuracy_top_k` 超參數設定 k 的值。此目標指標僅對多類別分類有效。 | 最大化 | 
| validation:objective\_loss | 驗證資料集每個 epoch 上目標遺失函式的平均值。根據預設，遺失是二元分類的邏輯遺失和迴歸的平方遺失。若要將遺失設定成其他類型，請使用 `loss` 超參數。 | 最小化 | 
| validation:precision | 驗證資料集之最終模型的精準度。如果您選擇此指標做為目標，建議您將 `binary_classifier_model_selection` 超參數設成 `precision_at_target_recall`，並設定 `target_recall` 超參數的值，以設定目標回呼。此目標指標僅對二元分類有效。 | 最大化 | 
| validation:recall | 驗證資料集之最終模型的回呼。如果您選擇此指標做為目標，建議您將 `binary_classifier_model_selection` 超參數設為 `recall_at_target_precision`，並設定 `target_precision` 超參數的值，以設定目標精確度。此目標指標僅對二元分類有效。 | 最大化 | 
| validation:rmse | 驗證資料集之最終模型的均方根誤差。此目標指標僅對迴歸有效。 | 最小化 | 
| validation:roc\_auc\_score | 驗證資料集之最終模型接收操作特徵曲線 (ROC 曲線) 以下的區域。此目標指標僅對二元分類有效。 | 最大化 | 

## 調校線性學習程式超參數
<a name="linear-learner-tunable-hyperparameters"></a>

您可以使用以下超參數調校線性學習程式模型。


| 參數名稱 | 參數類型 | 建議範圍 | 
| --- | --- | --- | 
| wd | `ContinuousParameterRanges` | `MinValue: ``1e-7`, `MaxValue`: `1` | 
| l1 | `ContinuousParameterRanges` | `MinValue`: `1e-7`, `MaxValue`: `1` | 
| learning\_rate | `ContinuousParameterRanges` | `MinValue`: `1e-5`, `MaxValue`: `1` | 
| mini\_batch\_size | `IntegerParameterRanges` | `MinValue`: `100`, `MaxValue`: `5000` | 
| use\_bias | `CategoricalParameterRanges` | `[True, False]` | 
| positive\_example\_weight\_mult | `ContinuousParameterRanges` | `MinValue`：1e-5、`MaxValue`：`1e5` |