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 DDeepAR 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,请参阅使用进行自动模型调整 SageMaker。
DeepAR 算法计算的指标
DeepAR 算法报告了 3 个指标,这几个指标是在训练期间计算的。在优化模型时,请选择其中之一作为目标。对于目标,请使用提供的测试通道的预测精度(推荐)或训练损失。有关 DeepAR 算法的训练/测试拆分的建议,请参阅 使用 DeepAR 算法的最佳实践.
指标名称 | 描述 | 优化方向 |
---|---|---|
test:RMSE |
预测值与在测试集中计算的实际目标之间的均方根误差。 |
最小化 |
test:mean_wQuantileLoss |
在测试集上计算的平均总分位数损失。要控制使用哪些分位数,请将 |
最小化 |
train:final_loss |
该模型在上一个训练周期的训练负对数似然损失的平均值。 |
最小化 |
DeepAR 算法的可优化超参数
使用以下超参数优化 DepAR 模型。对DeepAR 目标指标影响最大的超参数(按影响最大到最小的顺序列出)为:epochs
、context_length
、mini_batch_size
、learning_rate
, 和num_cells
.
参数名称 | 参数类型 | 建议的范围 |
---|---|---|
epochs |
|
MinValue:1, MaxValue:1000 |
context_length |
|
MinValue:1, MaxValue:200 |
mini_batch_size |
|
MinValue:32, MaxValue:1028 |
learning_rate |
|
MinValue:1e-5, MaxValue:1e-1 |
num_cells |
|
MinValue:30, MaxValue:200 |
num_layers |
|
MinValue:1, MaxValue:8 |
dropout_rate |
|
MinValue:0.00, MaxValue:0.2 |
embedding_dimension |
|
MinValue:1, MaxValue:50 |