表形式の AutoML モデルの最適化目標

表形式のデータセットを使用して AutoML モデルをトレーニングすると、Vertex AI は、モデルタイプとターゲット列に使用されるデータタイプに基づいて、デフォルトの最適化目標を選択します。

次の表に、各目標がどのような問題に適しているか詳しく示します。

分類

最適化の目標 API 値 この目標が適している問題
AUC ROC maximize-au-roc 受信者操作特性(ROC)曲線の下の面積を最大化する。クラスを区別する。バイナリ分類のデフォルト値。
ログ損失 minimize-log-loss 予測確率をできるだけ正確に維持する。マルチクラス分類でサポートされている目標のみ。
AUC PR maximize-au-prc PR(適合率 / 再現率)曲線の下の面積を最大化する。あまり一般的でないクラスの予測結果を最適化する。
再現率での適合率 maximize-precision-at-recall 特定の再現率の値で適合率を最適化する。
適合率での再現率 maximize-recall-at-precision 特定の適合率の値で再現率を最適化する。

回帰

最適化の目標 API 値 この目標が適している問題
RMSE minimize-rmse 二乗平均平方根誤差(RMSE)を最小化する。より極端な値を正確に取り込む。デフォルト値。
MAE minimize-mae 平均絶対誤差(MAE)を最小化する。モデルへの影響を抑えて、極端な値を外れ値として表示する。
RMSLE minimize-rmsle 二乗平均平方根対数誤差(RMSLE)を最小化する。絶対値ではなく、相対サイズに基づいてエラーにペナルティを適用する。予測値と実際の値の両方が非常に大きくなる可能性がある場合に有用。

予測

最適化の目標 API 値 この目標が適している問題
RMSE minimize-rmse 二乗平均平方根誤差(RMSE)を最小化する。より極端な値を正確に取り込む。デフォルト値。
MAE minimize-mae 平均絶対誤差(MAE)を最小化する。モデルへの影響を抑えて、極端な値を外れ値として表示する。
RMSLE minimize-rmsle 二乗平均平方根対数誤差(RMSLE)を最小化する。絶対値ではなく、相対サイズに基づいてエラーにペナルティを適用する。予測値と実際の値の両方が非常に大きくなる可能性がある場合に有用。
RMSPE minimize-rmspe 二乗平均平方根率誤差率(RMSPE)を最小化する。広範な値を正確に取り込む。RMSE と似ていますが、ターゲットの大きさに比例する。値の範囲が大きい場合に有用。
WAPE minimize-wape-mae 加重絶対パーセント誤差(WAPE)と平均絶対誤差(MAE)の組み合わせを最小化する。実際の値が低い場合に有用。
分位点損失 minimize-quantile-loss 定義された分位点での分位点損失を最小化する。