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 DeepAR 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 执行自动模型优化。
DeepAR PAR 算法计算的指标
DeepAR 算法报告了三个指标，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（推荐）上的预测准确度或训练损失。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 |
测试集上计算的预测和实际目标之间的均方根误差。 |
最小化 |
test:mean_wQuantileLoss |
在检验集上计算出的平均整体分位数损失。要控制使用的分位数，请将 |
最小化 |
train:final_loss |
训练负对数似然损失在模型的最后一个训练周期内的平均值。 |
最小化 |
DeepAR 算法的可优化超参数
使用以下超参数优 DeepAR 模型。对 Deepar 目标指标影响最大的超参数（从最大到最小的顺序）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 |