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。
TabTransformer 超参数
下表包含 Amazon SageMaker AI TabTransformer 算法必需或最常用的部分超参数。用户可以设置这些参数，以便于从数据中估算模型参数。SageMaker AI TabTransformer 算法是开源 TabTransformer
注意
默认超参数基于 TabTransformer 示例笔记本中的示例数据集。
SageMaker AI TabTransformer 算法会根据分类问题的类型，自动选择评估指标和目标函数。TabTransformer 算法根据数据中的标签数量来检测分类问题的类型。对于回归问题，评估指标为 r 平方，目标函数为均方误差。对于二元分类问题，评估指标和目标函数都是二元交叉熵。对于多元分类问题，评估指标和目标函数都是二元交叉熵。
注意
TabTransformer 评估指标和目标函数目前不能作为超参数使用。而是由 SageMaker AI TabTransformer 内置算法根据标签列中唯一整数的数量，自动检测分类任务的类型（回归、二元或多元），并分配评估指标和目标函数。
| 参数名称 | 描述 |
|---|---|
n_epochs |
训练深度神经网络的纪元数。 有效值：整数，范围：正整数。 默认值： |
patience |
如果在过去的 有效值：整数，范围：（ 默认值： |
learning_rate |
完成每批训练样本后，更新模型权重的速率。 有效值：浮点型，范围：正浮点数。 默认值： |
batch_size |
通过网络传播的示例数量。 有效值：整数，范围：( 默认值： |
input_dim |
用于对类别和/或连续列进行编码的嵌入的维度。 有效值：字符串，以下任意值： 默认值： |
n_blocks |
转换器编码器块的数量。 有效值：整数，范围：( 默认值： |
attn_dropout |
应用于多头注意力层的丢弃比率。 有效值：浮点型，范围：（ 默认值： |
mlp_dropout |
应用于转换器编码器上的编码器层以及最终 MLP 层内的前馈网络的丢弃比率。 有效值：浮点型，范围：（ 默认值： |
frac_shared_embed |
一个特定列的所有不同类别共享的嵌入的比例。 有效值：浮点型，范围：（ 默认值： |