Objetivos de optimización para los modelos tabulares de AutoML

Cuando entrenas un modelo de AutoML con un conjunto de datos tabulares, Vertex AI selecciona un objetivo de optimización predeterminado según el tipo de modelo y el tipo de datos que se usa para la columna objetivo.

En la siguiente tabla, se proporcionan algunos detalles sobre los tipos de problemas que son más adecuados para cada objetivo:

Clasificación

Objetivo de optimización Valor de la API Usa este objetivo si quieres…
AUC ROC maximize-au-roc Maximizar el área bajo la curva de característica operativa del receptor (ROC). Distingue entre las clases. Valor predeterminado para la clasificación binaria.
Pérdida logística minimize-log-loss Mantener las probabilidades de predicción lo más precisas posible. Solo es compatible con la clasificación de clases múltiples.
AUC PR maximize-au-prc Maximizar área debajo de la curva de precisión-recuperación. Optimiza los resultados para las predicciones de la clase menos común.
Precisión en recuperación maximize-precision-at-recall Optimizar la precisión en un valor de recuperación específico.
Recuperación en precisión maximize-recall-at-precision Optimizar la recuperación con un valor de precisión específico.

Regresión

Objetivo de optimización Valor de la API Usa este objetivo si quieres…
RMSE minimize-rmse Minimizar el error de la raíz cuadrada de la media (RMSE) Captura valores más extremos con exactitud. Valor predeterminado
MAE minimize-mae Minimizar el error absoluto promedio (MAE) Observa los valores extremos como valores atípicos con un impacto menor en el modelo.
RMSLE minimize-rmsle Minimizar el error de registro de la raíz cuadrada de la media (RMSLE) Penaliza errores de tamaño relativo en lugar de valor absoluto. Es útil cuando los valores previstos y reales pueden ser bastante grandes.

Previsión

Objetivo de optimización Valor de la API Usa este objetivo si quieres…
RMSE minimize-rmse Minimizar el error de la raíz cuadrada de la media (RMSE) Captura valores más extremos con exactitud. Valor predeterminado
MAE minimize-mae Minimizar el error absoluto promedio (MAE) Observa los valores extremos como valores atípicos con un impacto menor en el modelo.
RMSLE minimize-rmsle Minimizar el error de registro de la raíz cuadrada de la media (RMSLE) Penaliza errores de tamaño relativo en lugar de valor absoluto. Es útil cuando los valores previstos y reales pueden ser bastante grandes.
RMSPE minimize-rmspe Minimizar el error de la raíz cuadrada de la media cuadrada (RMSPE). Captura un gran rango de valores con precisión. Similar a RMSE, pero en relación con la magnitud objetivo. Es útil cuando el rango de valores es grande.
gRPC minimize-wape-mae Minimizar la combinación del error porcentual absoluto ponderado (WAPE) y el error absoluto medio (MAE). Es útil cuando los valores reales son bajos.
Pérdida de cuantil minimize-quantile-loss Minimizar la pérdida de cuantil en los cuantiles definidos.