Objectifs d'optimisation pour les modèles AutoML tabulaires

Lorsque vous entraînez un modèle AutoML à l'aide d'un ensemble de données tabulaire, Vertex AI sélectionne un objectif d'optimisation par défaut en fonction de votre type de modèle et du type de données utilisé pour votre colonne cible.

Le tableau ci-dessous fournit quelques détails sur les types de problèmes auxquels chaque objectif est le mieux adapté :

Classification

Objectif d'optimisation Valeur de l'API Utilisez cet objectif si vous voulez...
AUC ROC maximize-au-roc Maximiser l'aire sous la courbe ROC (Receiver Operating Characteristic). Distinguer les classes. Valeur par défaut pour la classification binaire.
Perte logistique minimize-log-loss Maintenir les probabilités de prédiction aussi précises que possible. Uniquement compatible avec l'objectif de classification à classes multiples.
PR AUC maximize-au-prc Maximiser l'aire sous la courbe de précision/rappel. Optimiser les résultats des prédictions pour la classe minoritaire.
Précision pour la valeur de rappel maximize-precision-at-recall Optimiser la précision à une valeur de rappel spécifique.
Rappel pour la valeur de précision maximize-recall-at-precision Optimiser le rappel à une valeur de précision spécifique.

Régression

Objectif d'optimisation Valeur de l'API Utilisez cet objectif si vous voulez...
RMSE minimize-rmse Minimiser la racine carrée de l'erreur quadratique moyenne (RMSE). Capturer des valeurs plus extrêmes avec précision. Valeur par défaut.
EAM minimize-mae Minimiser l'erreur absolue moyenne (EAM). Afficher les valeurs extrêmes comme des anomalies ayant moins d'incidence sur le modèle.
RMSLE minimize-rmsle Minimiser la racine carrée de l'erreur quadratique moyenne (RMSLE). Pénaliser l'erreur sur la taille relative plutôt que sur la valeur absolue. Utile lorsque les valeurs prédites et réelles peuvent être très élevées.

Prévision

Objectif d'optimisation Valeur de l'API Utilisez cet objectif si vous voulez...
RMSE minimize-rmse Minimiser la racine carrée de l'erreur quadratique moyenne (RMSE). Capturer des valeurs plus extrêmes avec précision. Valeur par défaut.
EAM minimize-mae Minimiser l'erreur absolue moyenne (EAM). Afficher les valeurs extrêmes comme des anomalies ayant moins d'incidence sur le modèle.
RMSLE minimize-rmsle Minimiser la racine carrée de l'erreur quadratique moyenne (RMSLE). Pénaliser l'erreur sur la taille relative plutôt que sur la valeur absolue. Utile lorsque les valeurs prédites et réelles peuvent être très élevées.
RMSPE minimize-rmspe Minimiser le pourcentage de la racine carrée de l'erreur quadratique moyenne (RMSPE). Capturer une plage de valeurs plus grande avec précision. Semblable à l'option RMSE, mais le calcul concerne la magnitude cible. Utile lorsque la plage de valeurs est large.
WAPE minimize-wape-mae Minimiser la combinaison de l'erreur absolue pondérée en pourcentage (WAPE) et de l'erreur absolue moyenne (EAM). Utile lorsque les valeurs réelles sont basses.
Perte de quantiles minimize-quantile-loss Minimiser la perte de quantiles aux quantiles définis.