Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Optimieren eines XGBoost-Modells
<a name="xgboost-tuning"></a>

Die *automatische Modelloptimierung*, auch bekannt als Hyperparameteroptimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Training und in den Validierungsdatensätzen testen. Sie wählen drei Arten von Hyperparametern:
+ eine `objective` Lernfunktion zur Optimierung beim Modelltraining
+ einen `eval_metric`, der während der Validierung zur Bewertung der Modellleistung verwendet werden kann
+ ein Satz von Hyperparametern und ein Wertebereich für jeden, der bei der automatischen Abstimmung des Modells verwendet werden kann

Sie wählen die Bewertungsmetrik aus einer Reihe von Bewertungsmetriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die Bewertungsmetrik optimiert. 

**Anmerkung**  
Die automatische Modelloptimierung für XGBoost 0.90 ist nur über die Amazon SageMaker SDKs verfügbar, nicht über die AI-Konsole. SageMaker 

Mehr Informationen über die Modelloptimierung finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md).

## Vom XGBoost-Algorithmus berechnete Bewertungsmetriken
<a name="xgboost-metrics"></a>

Der XGBoost-Algorithmus berechnet die folgenden Metriken, die für die Modellvalidierung verwendet werden sollen. Beim Optimieren des Modells wählen Sie eine dieser Metriken aus, um das Modell zu evaluieren. Eine vollständige Liste gültiger `eval_metric`-Werte finden Sie unter [XGBoost-Parameter für die Lernaufgabe](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters)


| Metrikname | Description | Optimierungsrichtung | 
| --- | --- | --- | 
| validation:accuracy | Klassifizierungsrate, berechnet als \#(richtig)/\#(alle Fälle). | Maximieren | 
| validation:auc | Area Under a Curve (Fläche unter der Kurve). | Maximieren | 
| validation:error | Binäre Klassifikationsfehlerrate, als Anzahl (falscher Fälle)/Anzahl (aller Fälle) berechnet. | Minimieren | 
| validation:f1 | Indikator für die Klassifizierungsgenauigkeit, berechnet als harmonisches Mittel von Präzision und Wiedererkennung. | Maximieren | 
| validation:logloss | Negative log-likelihood. | Minimieren | 
| validation:mae | Mittlerer absoluter Fehler. | Minimieren | 
| validation:map | Mittlere durchschnittliche Präzision. | Maximieren | 
| validation:merror | Mehrklassen-Klassifizierungsfehlerrate, als Anzahl (falscher Fälle)/Anzahl (aller Fälle) berechnet. | Minimieren | 
| validation:mlogloss | Negative log-likelihood für Mehrklassen-Klassifizierung. | Minimieren | 
| validation:mse | Mittlerer quadratischer Fehler. | Minimieren | 
| validation:ndcg | Normalisierter reduzierter kumulativer Gewinn. | Maximieren | 
| validation:rmse | Wurzel des mittleren quadratischen Prognosefehlers (Root Mean Square Error) | Minimieren | 

## Optimierbare XGBoost-Hyperparameter
<a name="xgboost-tunable-hyperparameters"></a>

Optimieren Sie das XGBoost-Modell mit den folgenden Hyperparametern. Die Hyperparameter mit den größten Auswirkungen auf die Optimierung von XGBoost-Bewertungsmetriken sind: `alpha`, `min_child_weight`, `subsample`, `eta` und `num_round`. 


| Name des Parameters | Parametertyp | Empfohlene Bereiche | 
| --- | --- | --- | 
| alpha | ContinuousParameterRanges | MinValue: 0,: 100 MaxValue | 
| colsample\_bylevel | ContinuousParameterRanges | MinValue: 0,1, MaxValue: 1 | 
| colsample\_bynode | ContinuousParameterRanges | MinValue: 0,1, MaxValue: 1 | 
| colsample\_bytree | ContinuousParameterRanges | MinValue: 0,5, MaxValue: 1 | 
| eta | ContinuousParameterRanges | MinValue: 0,1, MaxValue: 0,5 | 
| gamma | ContinuousParameterRanges | MinValue: 0, MaxValue: 5 | 
| lambda | ContinuousParameterRanges | MinValue: 0, MaxValue: 100 | 
| max\_delta\_step | IntegerParameterRanges | [0, 10] | 
| max\_depth | IntegerParameterRanges | [0, 10] | 
| min\_child\_weight | ContinuousParameterRanges | MinValue: 0, MaxValue: 120 | 
| num\_round | IntegerParameterRanges | [1, 4000] | 
| subsample | ContinuousParameterRanges | MinValue: 0,5, MaxValue: 1 |