Veröffentlicht am: May 10, 2023
Amazon SageMaker Autopilot, ein Low-Code-Service für maschinelles Lernen (ML), der automatisch die besten ML-Modelle erstellt, trainiert und optimiert, unterstützt jetzt das Training mit gewichteten objektiven Metriken im Ensemble-Modus und unterstützt außerdem acht weitere objektive Metriken. Wenn Sie jeder Datenstichprobe im Trainingsdatensatz Gewichtungen zuweisen, kann die allgemeine Modellleistung verbessert werden, indem das Modell besser lernt sowie Bias gegenüber einer bestimmten Klasse verringert und die Stabilität erhöht wird.
Beim Training mit unausgewogenen Datensätzen, bei denen einige Klassen deutlich weniger Datenstichproben als andere haben, kann die Zuweisung höherer Gewichtungen dazu beitragen, dass das Modell besser lernt und Bias gegenüber den Mehrheitsklassen verringert werden. Ab heute können Sie in Ihrem Eingabedatensatz einen Namen für die Gewichtungsspalte angeben, während Sie ein Autopilot-Experiment erstellen. SageMaker Autopilot verwendet diese Gewichtungswerte, um mehr über den Datensatz zu erfahren und die Erkenntnisse beim Training des ML-Modells anzuwenden.
SageMaker Autopilot unterstützt jetzt auch acht zusätzliche objektive Metriken wie RMSE, MAE, R2, Balanced Accuracy, Precision, Precision Macro, Recall und Recall Macro (hier dokumentiert). Die ausgewählte objektive Metrik wird während des Trainings optimiert, um die Modellparameterwerte aus den Daten bestmöglich schätzen zu können. Wenn Sie eine Metrik nicht explizit angeben, wird standardmäßig automatisch MSE für die Regression, F1 für die binäre Klassifikation und Genauigkeit für die Klassifikation mit mehreren Klassen verwendet.
Erstellen Sie zum Einstieg in der SageMaker-Studio-Konsole ein SageMaker-Autopilot-Experiment. Führen Sie ein Upgrade auf die neueste Version von SageMaker Studio durch, um die neue Spaltenfunktion für Stichprobengewichtungen und zusätzliche Sätze von objektiven Metriken zu nutzen. Weitere Informationen finden Sie im Entwicklerhandbuch und auf der Produktseite.