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。

# 調校 RCF 模型
<a name="random-cut-forest-tuning"></a>

*自動模型調校*，又稱為超參數調校或超參數最佳化，會透過在您的資料集上執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。

Amazon SageMaker AI RCF 演算法是一種無監督的異常偵測演算法，需要標籤測試資料集以進行超參數最佳化。RCF 會為測試資料點計算異常分數，然後在資料點的分數超過遠離平均分數三個標準差時，將其標籤為異常。這又稱為三標準差限制試誤法 (three-sigma limit heuristic)。F1 分數是依據計算標籤和實際標籤之間的差異。超參數調校任務會尋找將該分數最大化的模型。超參數最佳化是否成功，取決於三標準差限制試誤法對測試資料集的適用性。

如需模型調校的詳細資訊，請參閱[使用 SageMaker AI 執行自動模型調校](automatic-model-tuning.md)。

## RCF 演算法運算的指標
<a name="random-cut-forest-metrics"></a>

RCF 演算法會在訓練期間運算下列指標。調校模型時，請選擇此指標做為目標指標。


| 指標名稱 | Description | 最佳化方向 | 
| --- | --- | --- | 
| test:f1 | 測試資料集上的 F1 分數，根據計算標籤和實際標籤之間的差異。 | 最大化 | 

## 可調校 RCF 超參數
<a name="random-cut-forest-tunable-hyperparameters"></a>

您可以使用下列超參數調校 RCF 模型。


| 參數名稱 | 參數類型 | 建議範圍 | 
| --- | --- | --- | 
| num\$1samples\$1per\$1tree | IntegerParameterRanges | MinValue：1、MaxValue：2048 | 
| num\$1trees | IntegerParameterRanges | MinValue：50、MaxValue：1000 |