As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Ajustar um modelo XGBoost
<a name="xgboost-tuning"></a>

O *ajuste automático de modelos*, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados de treinamento e validação. Você escolhe três tipos de hiperparâmetros:
+ uma função de `objective` de aprendizado para otimizar durante o treinamento de modelo
+ uma `eval_metric` para usar para avaliar o desempenho do modelo durante a validação
+ um conjunto de hiperparâmetros e uma faixa de valores para cada um usar ao ajustar o modelo automaticamente

Você escolhe a métrica de avaliação do conjunto de métricas de avaliação que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica de avaliação. 

**nota**  
O ajuste automático do modelo para o XGBoost 0.90 está disponível somente nos SageMaker SDKs da Amazon, não no console AI. SageMaker 

Para mais informações sobre o ajuste de modelos, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).

## Métricas de avaliação calculadas pelo algoritmo XGBoost
<a name="xgboost-metrics"></a>

O algoritmo XGBoost calcula as seguintes métricas para usar na validação do modelo: Ao ajustar o modelo, escolha uma destas métricas para avaliar o modelo. Para obter uma lista completa dos valores válidos de `eval_metric`, consulte [Parâmetros de tarefa de aprendizado do XGBoost](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters)


| Nome da métrica | Description | Direção de otimização | 
| --- | --- | --- | 
| validation:accuracy | Taxa de classificação, calculada como \#(right)/\#(all cases). | Maximizar | 
| validation:auc | Área sob a curva. | Maximizar | 
| validation:error | Taxa de erro de classificação binária, calculada como \#(casos errados)/\#(todos os casos). | Minimizar | 
| validation:f1 | Indicador de precisão de classificação, calculado como a média harmônica de precisão e recall. | Maximizar | 
| validation:logloss | Verossimilhança de log negativa. | Minimizar | 
| validation:mae | Erro absoluto médio. | Minimizar | 
| validation:map | Precisão média da média. | Maximizar | 
| validation:merror | Taxa de erro de classificação multiclasse, calculada como \#(casos errados)/\#(todos os casos). | Minimizar | 
| validation:mlogloss | Verossimilhança de log negativa para classificação multiclasse. | Minimizar | 
| validation:mse | Erro quadrático médio. | Minimizar | 
| validation:ndcg | Ganho cumulativo descontado normalizado. | Maximizar | 
| validation:rmse | Erro quadrático médio. | Minimizar | 

## Hiperparâmetros ajustáveis de XGBoost
<a name="xgboost-tunable-hyperparameters"></a>

Ajuste o modelo XGBoost com os seguintes hiperparâmetros: Os hiperparâmetros que têm o maior efeito na otimização das métricas de avaliação do XGBoost são: `alpha`, `min_child_weight`, `subsample`, `eta` e `num_round`. 


| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados | 
| --- | --- | --- | 
| alpha | ContinuousParameterRanges | MinValue: 0, MaxValue 100 | 
| 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 |