Optimierungsziele für tabellarische AutoML-Modelle

Wenn Sie ein AutoML-Modell mit einem tabellarischen Dataset trainieren, wählt Vertex AI ein Standardoptimierungsziel basierend auf Ihrem Modelltyp und dem für die Zielspalte verwendeten Datentyp aus.

In der folgenden Tabelle finden Sie Details zu den Zielen, die sich am besten für ein bestimmtes Problem eignen:

Klassifizierung

Optimierungsziel	API-Wert	Zweck
AUC ROC	maximize-au-roc	Den Bereich unter der Grenzwertoptimierungskurve (Receiver Operating Curve, ROC) maximieren. Sie können zwischen Klassen unterscheiden. Standardwert für die binäre Klassifizierung.
Logarithmischer Verlust	minimize-log-loss	Möglichst genaue Vorhersagewahrscheinlichkeiten erzielen. Nur unterstütztes Ziel für die Klassifizierung mehrerer Klassen.
AUC PR	maximize-au-prc	Den Bereich unter der Genauigkeits-/Trefferquotenkurve maximieren. Optimiert die Ergebnisse für Vorhersagen für die weniger gängige Klasse.
Präzision von Trefferquote	maximize-precision-at-recall	Optimieren Sie die Präzision bei einem bestimmten Trefferquotenwert.
Trefferquote von Präzision	maximize-recall-at-precision	Optimieren Sie die Trefferquote bei einem bestimmten Präzisionswert.

Regression

Optimierungsziel	API-Wert	Zweck
RMSE	minimize-rmse	Wurzel des mittleren quadratischen Fehlers (RMSE) minimieren. Mehr Extremwerte genau erfassen. Standardwert
MAE	minimize-mae	Mittleren absoluten Fehler (MAE) minimieren. Extremwerte als Ausreißer mit geringerem Einfluss auf das Modell ansehen.
RMSLE	minimize-rmsle	Wurzel des mittleren quadratischen Logfehlers (RMSLE) minimieren. Abzüge für Fehler nach der relativen Größe statt des absoluten Werts vornehmen. Dies ist hilfreich, wenn sowohl die vorhergesagten als auch die tatsächlichen Werte sehr groß werden können.

Vorhersage

Optimierungsziel	API-Wert	Zweck
RMSE	minimize-rmse	Wurzel des mittleren quadratischen Fehlers (RMSE) minimieren. Mehr Extremwerte genau erfassen. Standardwert
MAE	minimize-mae	Mittleren absoluten Fehler (MAE) minimieren. Extremwerte als Ausreißer mit geringerem Einfluss auf das Modell ansehen.
RMSLE	minimize-rmsle	Wurzel des mittleren quadratischen Logfehlers (RMSLE) minimieren. Abzüge für Fehler nach der relativen Größe statt des absoluten Werts vornehmen. Dies ist hilfreich, wenn sowohl die vorhergesagten als auch die tatsächlichen Werte sehr groß werden können.
RMSPE	minimize-rmspe	Wurzel des mittleren quadratischen Prozentfehlers (RMSPE). Erfasst einen großen Bereich von Werten genau. Ähnlich wie RMSE, aber relativ zur Zielhöhe. Dies ist hilfreich, wenn der Wertebereich groß ist.
WAPE	minimize-wape-mae	Minimieren Sie die Kombination aus gewichtetem absoluten Prozentfehler (WAPE) und mittlerem absoluten Fehler (MAE). Dies ist hilfreich, wenn die tatsächlichen Werte niedrig sind.
Quantilverlust	minimize-quantile-loss	Quantilverlust bei den definierten Quantilen minimieren.