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。

# RCF 超參數
<a name="rcf_hyperparameters"></a>

在 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) 請求中，請指定訓練演算法。您也可以指定演算法特定的超參數做為字串對字串的對應。下表列出 Amazon SageMaker AI RCF 演算法的超參數。如需詳細資訊，包括如何選擇超參數的建議，請參閱[RCF 的運作方式](rcf_how-it-works.md)。




| 參數名稱 | Description | 
| --- | --- | 
| feature\_dim | 資料集中的特徵數量。(如果您使用 [Random Cut Forest](https://sagemaker.readthedocs.io/en/stable/algorithms/unsupervised/randomcutforest.html) 估算器，則會為您計算此數值，且不需要指定。)<br />**必要**<br />有效值：正整數 (最小：1、最大：10000) | 
| eval\_metrics | 指標清單，這些指標是用來為標籤的測試資料集評分。您可以針對輸出選擇下列指標：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/rcf_hyperparameters.html)<br />**選用**<br />有效值：清單，其中包含取自 `accuracy` 或 `precision_recall_fscore` 的可能值。<br />預設值：`accuracy` 和 `precision_recall_fscore` 都會計算。 | 
| num\_samples\_per\_tree | 從訓練資料集分派給每個樹狀結構的隨機樣本數。<br />**選用**<br />有效值：正整數 (最小：1，最大：2048)<br />預設值：256 | 
| num\_trees | 森林中樹狀結構的數量。<br />**選用**<br />有效值：正整數 (最小：50，最大：1000)<br />預設值：100 |