Publicado: Mar 28, 2018
Agora você pode aproveitar os novos recursos no Amazon SageMaker criados para acelerar seu treinamento e ajudar a personalizar seus modelos tanto para regressão linear como classificação binária usando o algoritmo Linear Learner.
Como parte do aprimoramento do Linear Learner, adicionamos uma interrupção antecipada automática ao Amazon SageMaker com ou sem um conjunto de dados de validação durante o ajuste de modelos. Se você fornecer ao algoritmo Linear Learner um conjunto de dados de validação, o treinamento de modelos será interrompido antecipadamente após a perda de validação interromper o aprimoramento. Se nenhum conjunto de validação estiver disponível, o treinamento de modelos será interrompido antecipadamente quando a perda de treinamento interromper o aprimoramento e reverter para o melhor modelo.
Além disso, há várias maneiras novas de personalizar o algoritmo Linear Learner para o treinamento de modelos usando novas funções de perda para os hiperparâmetros do Linear Learner. Agora você pode usar oito novas funções de perda no Amazon SageMaker: Squared Loss, para estimar a mediana da maioria dos problemas de regressão; Absolute Loss, para produzir estimativas da mediana; Quantile Loss, para fornecer um valor quantil do qual fazer previsões (por exemplo, 0,9 do quantil da distribuição); Huber Loss, para treinamento com Squared Loss, mas evitando sensibilidade discrepante; Epsilon-Insensitive Loss, para especificar um limiar para erros aceitáveis; Logistic Regression, para problemas de classificação binária; Hinge Loss, também conhecida como Support Vector Machine (SVM) para classificações binárias. Por fim, o Linear Learner também permite que você especifique os pesos da classe para dados de treinamento altamente não balanceados em problemas de classificação binária.
Esses novos recursos do Amazon SageMaker estão disponíveis hoje nestas regiões da AWS: Leste dos EUA (Norte da Virgínia), Leste dos EUA (Ohio), UE (Irlanda) e Oeste dos EUA (Oregon). Para obter detalhes sobre os aprimoramentos do Linear Learner, incluindo as novas funções de perda, acesse o blog de Machine Learning do AWS.