Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

调整 BlazingText 模型

自动模型优化（也称作超参数优化）通过运行很多在数据集上测试一系列超参数的作业来查找模型的最佳版本。您可以选择可优化超参数、每个超参数的值范围和一个目标指标。您可以从算法计算的指标中选择目标指标。自动模型优化将搜索所选超参数以找到导致优化目标指标的模型的值组合。

有关模型优化的更多信息，请参阅使用 SageMaker AI 自动调整模型。

BlazingText算法计算的指标

BlazingText Word2Vec 算法（skipgramcbow、和batch_skipgram模式）在训练期间报告单个指标：。train:mean_rho该指标是基于 WS-353 单词相似度数据集计算的。在优化 Word2Vec 算法的超参数值时，请使用此指标作为目标。

BlazingText 文本分类算法（supervised模式）还会在训练期间报告一个指标：validation:accuracy. 在优化文本分类算法的超参数值时，请使用这些指标作为目标。

可调超参数 BlazingText

Word2Vec 算法的可优化超参数

使用以下超参数调整亚马逊 SageMaker AI BlazingText Word2Vec 模型。对 Word2Vec 目标指标影响最大的超参数为：mode、 learning_rate、window_size、vector_dim 和 negative_samples。

文本分类算法的可优化超参数

使用以下超参数调整 Amazon SageMaker AI BlazingText 文本分类模型。