Konfigurationsparameter für Modellkonfiguration in der Klassifizierung

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 1 Minute Lesedauer

    • Passen Sie das Trainingsverhalten Ihrer Klassifizierungslösung an, indem Sie ein Parameterwörterbuch im JSON-Format übergeben.

    Vorbereitungen

    Erforderliche Rolle: Ml_admin oder admin

    Warum und wann dieser Vorgang ausgeführt wird

    Sie können die Modellleistung optimieren, indem Sie ein Parameterwörterbuch übergeben, um das Trainingsverhalten anzupassen.

    Machen Sie sich mit den Hyperparametern für maschinelles Lernen vertraut, die für Ihr Modellziel relevant sind. Diese Option ist erweitert und sollte mit Vorsicht geändert werden.

    Sie können diese Parameter im Formular „Lösungsdefinition“ wie folgt hinzufügen.

    Alternativ können Sie ein Skript verwenden, um diese Parameter hinzuzufügen. Informationen zum beim Skripting zu verwendenden Format finden Sie unter Was als Nächstes zu tun ist Abschnitt dieser Seite.

    Prozedur

    1. Navigieren zu Alle > Predictive Intelligence > Klassifizierung > Lösungsdefinitionenan.
    2. Öffnen Sie eine vorhandene Klassifizierungslösung, oder erstellen Sie eine neue.
    3. Wählen Sie aus Erweiterte Lösungseinstellungen Registerkarte in Zugehörige Links Abschnitt des Formulars.
    4. Wählen Sie Aus Neu Um zu öffnen Erweiterte Lösungseinstellung Formular (ml_Advanced_Solution_settings).
    5. In Lösungsparameter Feld, suchen Sie nach Konfigurationsparameter für Modellkonfiguration in der Klassifizierung .
    6. In Anwendereingaben Geben Sie die folgenden Schlüssel-Wert-Paare ein, nachdem Sie die Werte gemäß Ihren Anforderungen bearbeitet haben.
      Hinweis:
      Fügen Sie beim Einfügen der Parameter in das Lösungsdefinitionsformular keine JSON-schließende Bezeichnung, Klammern oder Klammern ein. Geben Sie die Schlüssel-Wert-Paare im hier angezeigten Format ein, nachdem Sie die Werte gemäß Ihren Anforderungen bearbeitet haben.
      'max_depth': 10,'learning_rate': 0.1,'objective': 'multi:softprob','num_class': 11,'random_state': 10,'eval_metric': 'mlogloss','booster': 'gbtree','n_estimators': 150,'verbosity': 1,'use_label_encoder': false,'tree_method': 'hist','num_parallel_tree': 1,'gamma': 0.25,'subsample': 0.8,'max_delta_step': 5,'reg_alpha': 0,'reg_lambda': 1,'colsample_bytree': 0.8,'colsample_bylevel': 1,'colsample_bynode': 1,'min_child_weight': 1.25,'n_jobs': 11,'validate_parameters': true
    7. Wählen Sie Aus Übermitteln Um die Lösungsdefinition zu aktualisieren.

    Ergebnisse

    Die Einstellung wird als Zeile auf der angezeigt Erweiterte Lösungseinstellung Registerkarte im Formular Ihrer Lösung.

    Im Formular „Lösungsdefinition“ auf der Registerkarte „Erweiterte Lösungseinstellungen“ werden Konfigurationsparameter hervorgehoben.

    Nächste Maßnahme

    Trainieren Sie Ihre Lösung erneut.

    Sie können dieses Wörterbuch auch mit einem Skript übergeben. Achten Sie darauf, beim Skripting die umschließende Bezeichnung, geschweifte Klammern und Klammern zu verwenden.

    Skriptbeispiel:
    config.setModelParams({                   
                    'max_depth': 10,                   
                    'learning_rate': 0.1,
                    'objective': 'multi:softprob',
                    'num_class': 11,
                    'random_state': 10,
                    'eval_metric': 'mlogloss',
                    'booster': 'gbtree',
                    'n_estimators': 150,
                    'verbosity': 1,
                    'use_label_encoder': false,
                    'tree_method': 'hist',
                    'num_parallel_tree': 1,
                    'gamma': 0.25,
                    'subsample': 0.8,
                    'max_delta_step': 5,
                    'reg_alpha': 0,
                    'reg_lambda': 1,
                    'colsample_bytree': 0.8,
                    'colsample_bylevel': 1,
                    'colsample_bynode': 1,
                    'min_child_weight': 1.25,
                    'n_jobs': 11,
                    'validate_parameters': true
                    });
    JSON-Beispiel:
            
            {                    
              "classification_model_params": {
                'max_depth': 10,
                'learning_rate': 0.1,
                'objective': 'multi:softprob',
                'num_class': 11,
                'random_state': 10,
                'eval_metric': 'mlogloss',
                'booster': 'gbtree',
                'n_estimators': 150,
                'verbosity': 1,
                'use_label_encoder': false,
                'tree_method': 'hist',
                'num_parallel_tree': 1,
                'gamma': 0.25,
                'subsample': 0.8,
                'max_delta_step': 5,
                'reg_alpha': 0,
                'reg_lambda': 1,
                'colsample_bytree': 0.8,
                'colsample_bylevel': 1,
                'colsample_bynode': 1,
                'min_child_weight': 1.25,
                'n_jobs': 11,
                'validate_parameters': true
                }
              }