Obiettivi di ottimizzazione per i modelli AutoML tabulari

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.