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。