Veröffentlicht am: Mar 28, 2018
Sie können jetzt die neuen Funktionen in Amazon SageMaker nutzen. Diese wurden entwickelt, um Ihre Schulung zu beschleunigen und Ihnen zu helfen, Ihre Modelle sowohl an die lineare Regression als auch die binäre Klassifizierung mithilfe des Linear Learner-Algorithmus anzupassen.
Im Rahmen der Verbesserung von Linear Learner hat Amazon SageMaker während der Modelloptimierung automatisches frühes Stoppen mit oder ohne Validierungsdatensatz hinzugefügt. Wenn Sie den Linear Learner-Algorithmus mit einem Validierungsdatensatz versehen, stoppt Ihre Modellschulung vorzeitig, sobald Validierungsverlust-Stopps die Verbesserung einstellen. Wenn kein Validierungssatz verfügbar ist, stoppt die Modellschulung vorzeitig, wenn der Schulungsverlust aufhört, sich zu verbessern, und kehrt zum besten Modell zurück.
Darüber hinaus gibt es mehrere neue Möglichkeiten, den Linear Learner-Algorithmus an Ihre Modellschulung mithilfe neuer Verlustfunktionen für die Linear-Learner-Hyperparameter anzupassen.Sie können jetzt acht neue Verlustfunktionen in Amazon SageMaker verwenden: Squared Loss: für die meisten Regressionsprobleme, um den Mittelwert zu schätzen; Absolute Loss: um Schätzungen des Medians zu erstellen; Quantile Loss: um einen Quantilwert bereitzustellen, auf dem Vorhersagen getroffen werden können (z. B. 0,9-Quantil der Verteilung); Huber Loss: für Schulung mit Squared Loss und gleichzeitiger Vermeidung von Ausreißer-Sensitivität; Epsilon-Insensitive Loss: um einen Schwellenwert für akzeptable Fehler anzugeben; Logistic Regression: für binäre Klassifikationsprobleme; Hinge Loss: auch bekannt als Support Vector Machine (SVM) für binäre Klassifikationen. Letztendlich können Sie mit Linear Learner Klassengewichte für sehr unausgewogene Schulungsdaten in binären Klassifizierungsproblemen angeben.
Die neuen Funktionen in Amazon SageMaker sind ab sofort in den AWS-Regionen USA Ost (Nord-Virginia und Ohio), EU (Irland) und USA West (Oregon) verfügbar. Für zusätzliche Details zu den Linear Learner-Erweiterungen, einschließlich der neuen Verlustfunktionen, besuchen Sie den AWS Machine Learning Blog.