Parâmetros de configuração para configuração do modelo na classificação

Personalize o comportamento de treinamento da sua solução de classificação passando um dicionário de parâmetros no formato JSON.

Antes de Iniciar

Função necessária: Ml_admin ou admin

Por Que e Quando Desempenhar Esta Tarefa

Você pode ajustar o desempenho do modelo aprovando um dicionário de parâmetros para ajustar o comportamento de treinamento.

Entenda os hiperparâmetros de aprendizado de máquina relevantes para o objetivo do seu modelo. Esta opção é avançada e deve ser modificada com cuidado.

Você pode adicionar esses parâmetros no formulário de definição da solução usando o procedimento a seguir.

Como alternativa, você pode usar um script para adicionar esses parâmetros. Para obter o formato a ser usado ao criar scripts, consulte O que fazer em seguida desta página.

Procedimento

1. Navegar até Tudo > Inteligência preditiva > Classificação > Definições de solução.
2. Abra uma solução de classificação existente ou crie uma nova.
3. Selecione Configurações avançadas da solução no Links relacionados seção do formulário.
4. Selecione Novo para abrir o. Configuração de solução avançada formulário (ml_advanced_solution_settings).
5. Em Parâmetros da Solução campo, pesquise Parâmetros de configuração para configuração do modelo na classificação .
6. Em Entradas do usuário , insira os seguintes pares de chave-valor, depois de editar os valores de acordo com seus requisitos.
   Nota:

   Ao colar os parâmetros no formulário de definição da solução, não inclua o rótulo, chaves ou parênteses de anexo do JSON. Insira os pares chave-valor no formato mostrado aqui, depois de editar os valores de acordo com seus requisitos.

   '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. Selecione Enviar para atualizar a definição da solução.

Resultado

A configuração aparece como uma linha no Configuração de solução avançada no formulário da sua solução.

O que Fazer Depois

Treine novamente sua solução.

Você também pode passar neste dicionário com um script. Certifique-se de usar o rótulo de fechamento, chaves e parênteses ao criar script.

Exemplo 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
                    });

Exemplo de 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
                }
              }

Conceitos relacionados

• Uso de APIs de aprendizado de máquina

Tarefas relacionadas

• Criar e treinar uma solução de classificação