#python #xgboost #amazon-sagemaker #hyperparameters
#python #xgboost #amazon-sagemaker #гиперпараметры
Вопрос:
Я новичок в Sagemaker и пытаюсь настроить задание настройки гиперпараметра для алгоритма xgboost в Sagemaker. У меня очень несбалансированные данные (класс большинства 98%, класс меньшинства 2%), и я хотел бы использовать параметр «scale_pos_weight», но возникает следующая ошибка.
ClientError: An error occurred (ValidationException) when calling the CreateHyperParameterTuningJob operation: The hyperparameter tuning job that you requested has the following untunable hyperparameters: [scale_pos_weight]. For the algorithm, ---------------.us-east-1.amazonaws.com/xgboost:1, you can tune only [colsample_bytree, lambda, eta, max_depth, alpha, num_round, colsample_bylevel, subsample, min_child_weight, max_delta_step, gamma]. Delete untunable hyperparameters.
Я обновил пакет sagemaker, перезапустил свое ядро (я использую juptyer notebook) и экземпляр, но проблема все еще существует.
У кого-нибудь есть идеи, почему возникает эта ошибка и как я могу ее исправить? Я ценю помощь.
Вот мой код, который я взял из примера в AWS.
sess = sagemaker.Session()
container = get_image_uri(region, 'xgboost', '1.0-1')
xgb = sagemaker.estimator.Estimator(container,
role,
train_instance_count=1,
train_instance_type='ml.m4.4xlarge',
output_path='s3://{}/{}/output'.format(bucket, prefix),
sagemaker_session=sess)
xgb.set_hyperparameters(eval_metric='auc',
objective='binary:logistic',
num_round=100,
rate_drop=0.3,
tweedie_variance_power=1.4)
hyperparameter_ranges = {'eta': ContinuousParameter(0, 1),
'min_child_weight': ContinuousParameter(1, 10),
'scale_pos_weight' : ContinuousParameter(700, 800),
'alpha': ContinuousParameter(0, 2),
'max_depth': IntegerParameter(1, 10),
'colsample_bytree' : ContinuousParameter(0.1, 0.9)
}
objective_metric_name = 'validation:auc'
tuner = HyperparameterTuner(xgb,
objective_metric_name,
hyperparameter_ranges,
max_jobs=10,
max_parallel_jobs=2)
s3_input_train = sagemaker.s3_input(s3_data='s3://{}/{}/train'.format(bucket, prefix), content_type='csv')
s3_input_validation = sagemaker.s3_input(s3_data='s3://{}/{}/validation/'.format(bucket, prefix), content_type='csv')
tuner.fit({'train': s3_input_train, 'validation': s3_input_validation}, include_cls_metadata=False)
Ответ №1:
На основе документации разработчика Sagemaker, https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-tuning.html , гиперпараметр scale_pos_weight
НЕ поддается настройке. Единственные параметры, которые вы можете настроить, приведены в ссылке.