Mokymo biudžeto nustatymas AutoML lentelėse apima keletą parinkčių, kurios leidžia vartotojams kontroliuoti mokymo procesui skirtų išteklių kiekį. Šios parinktys skirtos optimizuoti modelio našumo ir kainos kompromisą, leidžiantį vartotojams pasiekti norimą tikslumo lygį neviršijant biudžeto apribojimų.
Pirmoji mokymo biudžeto nustatymo parinktis yra parametras „budget_milli_node_hours“. Šis parametras parodo bendrą treniruotėms naudojamų skaičiavimo išteklių kiekį, išmatuotą milijonų mazgų valandomis. Tai lemia maksimalią mokymo proceso trukmę ir netiesiogiai įtakoja išlaidas. Reguliuodami šį parametrą vartotojai gali nurodyti norimą kompromisą tarp modelio tikslumo ir kainos. Didesnė vertė suteiks daugiau išteklių mokymo procesui, o tai gali lemti didesnį tikslumą, bet ir didesnes išlaidas.
Kitas variantas yra „biudžeto“ parametras, kuris parodo maksimalias mokymo išlaidas, kurias vartotojas nori mokėti. Šis parametras leidžia vartotojams nustatyti griežtą mokymo išlaidų ribą, užtikrinant, kad skiriami ištekliai neviršytų nurodyto biudžeto. „AutoML Tables“ paslauga automatiškai pakoreguos mokymo procesą, kad tilptų į nurodytą biudžetą, optimizuodama išteklių paskirstymą, kad būtų pasiektas geriausias įmanomas tikslumas atsižvelgiant į nurodytus apribojimus.
Be šių parinkčių, AutoML lentelės taip pat suteikia galimybę nustatyti minimalų modelio įvertinimų skaičių naudojant parametrą „model_evaluation_count“. Šis parametras nustato minimalų modelio įvertinimo skaičių mokymo proceso metu. Nustatydami didesnę vertę, vartotojai gali užtikrinti, kad modelis būtų nuodugniai įvertintas ir sureguliuotas, o tai gali lemti didesnį tikslumą. Tačiau svarbu pažymėti, kad padidinus vertinimų skaičių padidės ir bendros mokymo išlaidos.
Be to, „AutoML Tables“ siūlo galimybę nurodyti norimą optimizavimo tikslą naudojant parametrą „optimization_objective“. Šis parametras leidžia vartotojams apibrėžti metriką, kurią jie nori optimizuoti mokymo proceso metu, pvz., tikslumą, tikslumą, atšaukimą arba F1 balą. Nustatydami optimizavimo tikslą, naudotojai gali nukreipti mokymo procesą, kad pasiektų norimus veiklos tikslus neviršijant skirto biudžeto.
Galiausiai, AutoML lentelės suteikia galimybę lanksčiai koreguoti mokymo biudžetą prasidėjus pirminiam mokymui. Vartotojai gali stebėti mokymo eigą ir priimti pagrįstus sprendimus, pagrįstus tarpiniais rezultatais. Jei modelis neatitinka norimo tikslumo pagal paskirtą biudžetą, vartotojai gali apsvarstyti galimybę padidinti mokymo biudžetą, kad būtų skirta daugiau išteklių ir pagerintų modelio veikimą.
Apibendrinant galima pasakyti, kad AutoML lentelėse mokymo biudžeto nustatymo parinktys apima parametrą „budget_milli_node_hours“, „budget“ parametrą, parametrą „model_evaluation_count“, parametrą „optimization_objective“ ir galimybę koreguoti biudžetą mokymo proceso metu. . Šios parinktys suteikia vartotojams lankstumo valdyti išteklių paskirstymą ir optimizuoti modelio našumo ir sąnaudų kompromisą.
Kiti naujausi klausimai ir atsakymai apie „AutoML“ lentelės:
- Kaip vartotojai gali įdiegti savo modelį ir gauti prognozes AutoML lentelėse?
- Kokią informaciją AutoML lentelėse pateikia skirtukas Analizė?
- Kaip vartotojai gali importuoti savo mokymo duomenis į AutoML lenteles?
- Kokius skirtingus duomenų tipus gali apdoroti „AutoML Tables“?