分類のモデル構成の構成パラメーター

JSON 形式でパラメーターのディクショナリを渡して、分類ソリューションのトレーニング動作をカスタマイズします。

始める前に

必要なロール:ml_admin または admin

このタスクについて

パラメーターのディクショナリを渡してトレーニング動作を調整することで、モデルのパフォーマンスを微調整できます。

モデル目標に関連する機械学習ハイパーパラメーターを理解します。このオプションは高度なオプションであるため、注意して変更する必要があります。

次の手順を使用して、これらのパラメーターをソリューション定義フォームに追加できます。

または、スクリプトを使用してこれらのパラメーターを追加することもできます。スクリプティング時に使用する形式については、このページの「 次に行うこと 」セクションを参照してください。

手順

1. 移動先 すべて > 予測インテリジェンス > 分類 > ソリューション定義.
2. 既存の分類ソリューションを開くか、新しい分類ソリューションを作成します。
3. フォームの [関連リンク] セクションの [ソリューションの詳細設定] タブを選択します。
4. [新規] を選択して、詳細ソリューション設定 (ml_advanced_solution_settings) フォームを開きます。
5. [ ソリューションパラメーター] フィールドで、 分類のモデル構成の構成パラメーターを検索します。
6. 要件に合わせて値を編集した後、[ ユーザー入力 ] フィールドに次のキーと値のペアを入力します。
   注:

   パラメーターをソリューション定義フォームに貼り付けるときは、JSON の内包ラベル、中括弧、または括弧を含めないでください。要件に従って値を編集した後、ここに示す形式でキーと値のペアを入力します。

   '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. [ 送信] を選択してソリューション定義を更新します。

タスクの結果

この設定は、ソリューションのフォームの [ ソリューション詳細設定 ] タブに行として表示されます。

次のタスク

ソリューションを再トレーニングします。

この辞書をスクリプトで渡すこともできます。スクリプトを作成するときは、必ず囲むラベル、括弧、括弧を使用してください。

スクリプトの例：

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 の例:

        
            {                    
              "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
                }
              }

関連概念

• 機械学習 API の使用

関連タスク

• 分類ソリューションの作成とトレーニング