Quando addestri un modello AutoML mediante un set di dati tabulare, Vertex AI seleziona un obiettivo di ottimizzazione predefinito in base al tipo di modello e al tipo di dati utilizzato per la colonna di destinazione.
La tabella seguente fornisce alcuni dettagli sui tipi di problemi per cui ogni obiettivo è adatto:
Classificazione
| Obiettivo ottimizzazione |
Valore API |
Utilizza questo obiettivo se vuoi... |
| AUC ROC |
maximize-au-roc |
Massimizza l'area sotto la curva della caratteristica operativa del ricevitore (ROC). Distingue i corsi. Valore predefinito per la classificazione binaria. |
| Perdita logaritmica |
minimize-log-loss |
Mantieni le probabilità di previsione il più precise possibile. Solo l'obiettivo supportato per la classificazione multi-classe. |
| AUC PR |
maximize-au-prc |
Massimizza l'area sotto la curva di precisione-richiamo. Ottimizza i risultati per le previsioni per la classe meno comune. |
| Precisione al richiamo |
maximize-precision-at-recall |
Ottimizza la precisione a un valore di richiamo specifico. |
| Richiamo con precisione |
maximize-recall-at-precision |
Ottimizza il richiamo con un valore di precisione specifico. |
Regressione
| Obiettivo ottimizzazione |
Valore API |
Utilizza questo obiettivo se vuoi... |
| RMSE |
minimize-rmse |
Riduci al minimo l'errore quadratico medio (RMSE). Acquisisce con precisione i valori più estremi. Valore predefinito. |
| MAE |
minimize-mae |
Riduci al minimo l'errore medio assoluto (MAE). Considera i valori estremi come outlier con un minore impatto sul modello. |
| RMSLE |
minimize-rmsle |
Riduci al minimo l'errore logaritmico quadratico medio (RMSLE). Penalizza l'errore sulla dimensione relativa anziché sul valore assoluto. Utile quando i valori previsti ed effettivi possono essere molto grandi. |
Previsione
| Obiettivo ottimizzazione |
Valore API |
Utilizza questo obiettivo se vuoi... |
| RMSE |
minimize-rmse |
Riduci al minimo l'errore quadratico medio (RMSE). Acquisisce con precisione i valori più estremi. Valore predefinito. |
| MAE |
minimize-mae |
Riduci al minimo l'errore medio assoluto (MAE). Considera i valori estremi come outlier con un minore impatto sul modello. |
| RMSLE |
minimize-rmsle |
Riduci al minimo l'errore logaritmico quadratico medio (RMSLE). Penalizza l'errore sulla dimensione relativa anziché sul valore assoluto. Utile quando i valori previsti ed effettivi possono essere molto grandi. |
| RMSPE |
minimize-rmspe |
Riduci al minimo l'errore percentuale al quadrato medio (RMSPE). Acquisisce con precisione un ampio intervallo di valori. Simile a RMSE, ma relativo alla grandezza del target. Utile quando l'intervallo di valori è grande. |
| WAPE |
minimize-wape-mae |
Riduci al minimo la combinazione di errore percentuale assoluto ponderato (WAPE) e di errore medio assoluto (MAE). Utile quando i valori effettivi sono bassi. |
| Perdita di quantili |
minimize-quantile-loss |
Riduci al minimo la perdita di quantili ai quantili definiti. |
