Paramètres de configuration pour la configuration du modèle dans la classification

  • Rversion finale: Yokohama
  • Mis à jour 14 juil. 2025
  • 2 minutes de lecture

    • Personnalisez le comportement d’entraînement de votre solution de classification en transmettant un dictionnaire de paramètres au format JSON.

    Avant de commencer

    Rôle requis : ml_admin ou admin

    Pourquoi et quand exécuter cette tâche

    Vous pouvez affiner les performances du modèle en transmettant un dictionnaire de paramètres pour ajuster le comportement d’entraînement.

    Comprendre les hyperparamètres de machine learning pertinents pour votre objectif de modèle. Cette option est avancée et doit être modifiée avec précaution.

    Vous pouvez ajouter ces paramètres dans le formulaire de définition de solution en procédant comme suit.

    Vous pouvez également utiliser un script pour ajouter ces paramètres. Pour connaître le format à utiliser lors de l’écriture de scripts, reportez-vous à la section Étapes suivantes de cette page.

    Procédure

    1. Accédez à Tous > Intelligence prédictive > Classification > Définitions des solutions.
    2. Ouvrez une solution de classification existante ou créez-en une nouvelle.
    3. Sélectionnez l’onglet Paramètres de solution avancée dans la section Liens connexes du formulaire.
    4. Sélectionnez Nouveau pour ouvrir le formulaire Paramètre de solution avancée (ml_advanced_solution_settings).
    5. Dans le champ Paramètres de la solution , recherchez Paramètres de configuration pour la configuration du modèle dans la classification.
    6. Dans le champ Entrées de l’utilisateur , entrez les paires clé-valeur suivantes, après avoir modifié les valeurs selon vos besoins.
      Remarque :
      Lorsque vous collez les paramètres dans le formulaire de définition de solution, n’incluez pas l’étiquette englobante, les accolades ou les parenthèses JSON. Entrez les paires clé-valeur au format indiqué ici, après avoir modifié les valeurs en fonction de vos besoins.
      '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. Sélectionnez Soumettre pour mettre à jour la définition de la solution.

    Résultats

    Le paramètre apparaît sous la forme d’une ligne dans l’onglet Paramètres de solution avancée sur le formulaire de votre solution.

    Dans le formulaire Définition de la solution, dans l’onglet Paramètres des solutions avancées, les paramètres de configuration sont mis en surbrillance.

    Que faire ensuite

    Reformez votre solution.

    Vous pouvez également transmettre ce dictionnaire avec un script. Assurez-vous d’utiliser l’étiquette englobante, les accolades et les parenthèses lors de l’écriture de scripts.

    Exemple de script :
    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
                    });
    Exemple JSON :
            
            {                    
              "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
                }
              }