本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 線性學習程式超參數 下表包含線性學習程式演算法的超參數。這些是由使用者設定的參數，用來協助從資料預估模型參數。首先列出的是必須設定的超參數，依字母順序排列。接著列出的是選用的超參數，也是依字母順序排列。當超參數設定為 `auto` 時，Amazon SageMaker AI 會自動計算並設定該超參數的值。 | 參數名稱 | Description | | --- | --- | | num\_classes | 回應變數的類別數。演算法假設類別標示為 `0`、...、`num_classes - 1`。
當 `predictor_type` 為 `multiclass_classifier` 時，則為**必要**。否則，演算法會忽略它。
有效值：3 到 1,000,000 的整數 | | predictor\_type | 將目標變數類型指定為二元分類、多類別分類，或迴歸。
**必要**
有效值：`binary_classifier`、`multiclass_classifier` 或 `regressor` | | accuracy\_top\_k | 運算多類別分類的 top-k 準確性指標時，值為 *k*。如果模型將其中一個 top-k 分數指派給真正的標籤，範例會評分為正確。
**選用**
有效值：正整數
預設值：3 | | balance\_multiclass\_weights | 指定是否使用類別加權，讓每個類別在遺失函式中都有相同的重要性。僅在 `predictor_type` 為 `multiclass_classifier` 時使用。
**選用**
有效值：`true`、`false`
預設值：`false` | | beta\_1 | 第一時間預估的指數衰減率。僅在 `optimizer` 值為 `adam` 時才適用。
**選用**
有效值：`auto` 或介於 0 和 1.0 之間的浮點值
預設值：`auto` | | beta\_2 | 第二時間預估的指數衰減率。僅在 `optimizer` 值為 `adam` 時才適用。
**選用**
有效值：`auto` 或介於 0 和 1.0 之間的浮點整數
預設值：`auto` | | bias\_lr\_mult | 允許偏差項有不同學習率。偏差的實際學習率為 `learning_rate` \* `bias_lr_mult`。
**選用**
有效值：`auto` 或浮點正整數
預設值：`auto` | | bias\_wd\_mult | 允許偏差項有不同的正規化。偏差的實際 L2 正規化權重為 `wd` \* `bias_wd_mult`。根據預設，偏差項上沒有正規化。
**選用**
有效值：`auto` 或浮點非負整數
預設值：`auto` | | binary\_classifier\_model\_selection\_criteria | 當 `predictor_type` 設為 `binary_classifier` 時，驗證資料集的模型評估條件 (或如不提供驗證資料集，則為訓練資料集)。條件包括：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/ll_hyperparameters.html)
**選用**
有效值：`accuracy`、`f_beta`、`precision_at_target_recall`、`recall_at_target_precision` 或 `loss_function`
預設值：`accuracy` | | early\_stopping\_patience | 若未在相關指標中進行改善，結束訓練前要等待的 epoch 數量。如已針對 binary\_classifier\_model\_selection\_criteria 提供值，指標即為該值。否則，指標會與針對 loss 超參數所指定的值相同。在驗證資料上評估的指標。如果尚未提供驗證資料，則指標一律與針對 `loss` 超參數所指定的值相同，並針對訓練資料進行評估。若要停用提早停止，請將 `early_stopping_patience` 值設為大於針對 `epochs` 所指定的值。
**選用**
有效值：正整數
預設值：3 | | early\_stopping\_tolerance | 測量遺失中改善的相對容錯度。如遺失中的改善率除以過去最佳遺失率的結果小於此值，提早停止會將改善率視為 0。
**選用**
有效值：浮點正整數
預設值：0.001 | | epochs | 針對訓練資料的最高傳遞次數。
**選用**
有效值：正整數
預設值：15 | | f\_beta | 計算二元或多類別分類的 F 分數指標時要使用的 beta 值。如果針對 `binary_classifier_model_selection_criteria` 指定的值為 `f_beta`，也使用它。
**選用**
有效值：浮點正整數
預設值：1.0 | | feature\_dim | 輸入資料中的特徵數量。
**選用**
有效值：`auto` 或正整數
預設值：`auto` | | huber\_delta | Huber 遺失的參數。在訓練與指標評估期間，運算小於 delta 的 L2 遺失的錯誤值，並運算大於 delta 的 L1 遺失錯誤值。
**選用**
有效值：浮點正整數
預設值：1.0 | | init\_bias | 偏差項的初始權重。
**選用**
有效值：浮點整數
預設值：0 | | init\_method | 設定用於模型權重的初始分發函式。函式包括：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/ll_hyperparameters.html)
**選用**
有效值：`uniform` 或 `normal`
預設值：`uniform` | | init\_scale | 調整模型權重的初始均勻分布。僅在 `init_method` 超參數設為 `uniform` 時套用。
**選用**
有效值：浮點正整數
預設值：0.07 | | init\_sigma | 常態分布的初始標準偏差。僅在 `init_method` 超參數設為 `normal` 時套用。
**選用**
有效值：浮點正整數
預設值：0.01 | | l1 | L1 正規化參數。如不希望使用 L1 正規化，請將此值設為 0。​
**選用**
有效值：`auto` 或非負浮點數
預設值：`auto` | | learning\_rate | 參數更新最佳化工具使用的步驟大小。
**選用**
有效值：`auto` 或浮點正整數
預設值：`auto`，其值取決於所選擇的最佳化工具。 | | loss | 指定遺失函式。
可用的損失函式及其預設值取決於 `predictor_type` 的值：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/ll_hyperparameters.html)
有效值：`auto`、`logistic`、`squared_loss`、`absolute_loss`、`hinge_loss`、`eps_insensitive_squared_loss`、`eps_insensitive_absolute_loss`、`quantile_loss` 或 `huber_loss`
**選用**
預設值：`auto` | | loss\_insensitivity | 小量低敏感度遺失類型的參數。在訓練和指標評估期間，任何小於此值的錯誤皆視為零。
**選用**
有效值：浮點正整數
預設值：0.01 | | lr\_scheduler\_factor | 針對每個 `lr_scheduler_step` 超參數，學習率會依此數量下降。僅在 `use_lr_scheduler` 超參數設為 `true` 時套用。
**選用**
有效值：`auto` 或介於 0 和 1 之間的浮點正整數
預設值：`auto` | | lr\_scheduler\_minimum\_lr | 學習率永遠不會下降至低於針對 `lr_scheduler_minimum_lr` 所設定的值。僅在 `use_lr_scheduler` 超參數設為 `true` 時套用。
**選用**
有效值：`auto` 或浮點正整數
預設值：`auto` | | lr\_scheduler\_step | 學習率下降級數之間的步驟數量。僅在 `use_lr_scheduler` 超參數設為 `true` 時套用。
**選用**
有效值：`auto` 或正整數
預設值：`auto` | | margin | `hinge_loss` 函式的邊際。
**選用**
有效值：浮點正整數
預設值：1.0 | | mini\_batch\_size | 資料反覆運算器每個微型批次的觀察項數量。
**選用**
有效值：正整數
預設值：1000 | | momentum | `sgd` 最佳化工具的動能。
**選用**
有效值：`auto` 或介於 0 和 1.0 之間的浮點整數
預設值：`auto` | | normalize\_data | 在訓練前標準化特徵資料。資料標準化會將每個特徵的資料移至平均值為零，再加以調整以符合單位標準偏差。
**選用**
有效值：`auto`、`true` 或 `false`
預設值：`true` | | normalize\_label | 標準化標籤。標籤標準化會將標籤移至平均值為零，再加以調整以符合單位標準偏差。
`auto` 預設值會將迴歸問題的標籤標準化，但不適用於分類問題。如果您針對分類問題將 `normalize_label` 超參數設為 `true`，則演算法會忽略它。
**選用**
有效值：`auto`、`true` 或 `false`
預設值：`auto` | | num\_calibration\_samples | 用於模型校正之驗證資料集的觀察數量 (尋找最佳閾值時)。
**選用**
有效值：`auto` 或正整數
預設值：`auto` | | num\_models | 平行訓練的模型數量。針對預設值 `auto`，演算法會決定要訓練的平行模型數量。根據指定訓練參數 (正規化、最佳化工具、遺失) 來訓練一個模型，而其他模型則使用封閉式參數訓練。
**選用**
有效值：`auto` 或正整數
預設值：`auto` | | num\_point\_for\_scaler | 用於計算標準化或取消項目偏差的資料點數量。
**選用**
有效值：正整數
預設值：10,000 | | optimizer | 要使用的最佳化演算法。
**選用**
有效值：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/ll_hyperparameters.html)
預設值：`auto`。`auto` 的預設設定為 `adam`。 | | positive\_example\_weight\_mult | 訓練二元分類工具時指派給正面範例的權重。負面範例的權重固定為 1。如果希望演算法選擇權重，讓分類負面 *vs.* 正面範例的錯誤對於訓練遺失產生同等影響，請指定 `balanced`。如果希望演算法選擇最佳化效能的權重，請指定 `auto`。
**選用**
有效值：`balanced`、`auto` 或浮點正整數
預設值：1.0 | | quantile | 分位數遺失的分位數。針對分位數 q，模型會嘗試產生預測，讓 `true_label` 的值大於使用機率 q 的預測。
**選用**
有效值：介於 0 和 1 之間的浮點整數
預設值：0.5 | | target\_precision | 目標精確度。如果 `binary_classifier_model_selection_criteria` 是 `recall_at_target_precision`，則精確度會保留在這個值，同時最大化取回。
**選用**
有效值：介於 0 和 1.0 之間的浮點整數
預設值：0.8 | | target\_recall | 目標取回。如果 `binary_classifier_model_selection_criteria` 是 `precision_at_target_recall`，則取回會保留在這個值，同時最大化精確度。
**選用**
有效值：介於 0 和 1.0 之間的浮點整數
預設值：0.8 | | unbias\_data | 在訓練前取消功能的偏差，讓平均值為 0。根據預設，當 `use_bias` 超參數設為 `true` 時，則取消資料偏差。
**選用**
有效值：`auto`、`true` 或 `false`
預設值：`auto` | | unbias\_label | 在訓練前取消標籤的偏差，讓平均值為 0。僅在 `use_bias` 超參數設為 `true` 時套用至迴歸。
**選用**
有效值：`auto`、`true` 或 `false`
預設值：`auto` | | use\_bias | 指定模型是否應該包含偏差項，這是線性方程式中的攔截項。
**選用**
有效值：`true` 或 `false`
預設值：`true` | | use\_lr\_scheduler | 學習率是否使用排程工具。如果您想要使用排程工具，請指定 `true`。
**選用**
有效值：`true` 或 `false`
預設值：`true` | | wd | 權重衰減參數，也稱為 L2 正規化參數。如不希望使用 L2 正規化，請將此值設為 0。​
**選用**
有效值：`auto` 或浮點非負整數
預設值：`auto` |