表格 AutoML 模型的优化目标
当您使用表格数据集训练 AutoML 模型时,Vertex AI 会根据模型类型和用于目标列的数据类型选择默认优化目标。
下表提供了各个目标最适合的问题类型的一些详细信息:
分类
优化目标 |
API 值 |
在什么情况下使用该目标 |
AUC ROC |
maximize-au-roc |
最大化接收者操作特征 (ROC) 曲线下的面积。区分不同的类别。二元分类的默认值。 |
对数损失 |
minimize-log-loss |
使预测概率尽可能准确。仅限于支持的多类别分类目标。 |
AUC PR |
maximize-au-prc |
最大化精确率/召回率曲线下的面积。优化不常见类别的预测结果。 |
特定召回率下的精确率 |
maximize-precision-at-recall |
优化特定召回值下的精确率。 |
特定精确率下的召回率 |
maximize-recall-at-precision |
优化特定精确率下的召回率。 |
回归
优化目标 |
API 值 |
在什么情况下使用该目标 |
均方根误差 |
minimize-rmse |
最大限度降低均方根误差 (RMSE)。准确捕捉更多极值。默认值。 |
MAE |
minimize-mae |
最大限度降低平均绝对误差 (MAE)。将极值视为对模型影响较小的离群值。 |
RMSLE |
minimize-rmsle |
最大限度降低均方根对数误差 (RMSLE)。根据相对误差而不是绝对误差来判错。适用于预测值和实际值都非常大的情况。 |
预测
优化目标 |
API 值 |
在什么情况下使用该目标 |
均方根误差 |
minimize-rmse |
最大限度降低均方根误差 (RMSE)。准确捕捉更多极值。默认值。 |
MAE |
minimize-mae |
最大限度降低平均绝对误差 (MAE)。将极值视为对模型影响较小的离群值。 |
RMSLE |
minimize-rmsle |
最大限度降低均方根对数误差 (RMSLE)。根据相对误差而不是绝对误差来判错。适用于预测值和实际值都非常大的情况。 |
RMSPE |
minimize-rmspe |
最大限度降低均方根百分比误差 (RMSPE)。准确捕获大量值。与 RMSE 类似,但以目标规模为基础。在值的范围很大时非常有用。 |
WAPE |
minimize-wape-mae |
最大限度地减少加权绝对百分比误差 (WAPE) 和平均绝对误差 (MAE)。在实际值较低时非常有用。 |
分位数损失 |
minimize-quantile-loss |
最大限度地减少定义的分位数的量化损失。 |
Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a registered trademark of Oracle and/or its affiliates.
Last updated 2022-01-11 UTC.
[{
"type": "thumb-down",
"id": "hardToUnderstand",
"label":"很难理解"
},{
"type": "thumb-down",
"id": "incorrectInformationOrSampleCode",
"label":"信息或示例代码不正确"
},{
"type": "thumb-down",
"id": "missingTheInformationSamplesINeed",
"label":"没有我需要的信息/示例"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻译问题"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"其他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"易于理解"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"解决了我的问题"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"其他"
}]