Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 06 Tem 2023
Deney eğitiminde kullanılan hiperparametrelerin tanımları. Çerçeve ve birleştirme yönteminize bağlı olarak, bu hiper parametre seçeneklerinden biri ya da daha çoğu kullanılabilir.
| Hiperparametreler | Açıklama |
|---|---|
| Yuvarlar | Tamsayı değeri. Toplamayla uzak sistemler arasında tamamlanacak eğitim yinelemelerinin sayısı. |
| Sonlandırma doğruluğu (İsteğe bağlı) | Kayar noktalı sayı değeri. model_accuracy değerini alır ve sayısal bir değerle karşılaştırır. Koşul yerine getirilirse, deney erken bitirir. For example, termination_predicate: accuracy >= 0.8 finishes the experiment when the mean of model accuracy for participating parties is greater than or equal to 80%. Şu anda Birleşik Eğitim, yalnızca sınıflandırma modelleri için bir erken sonlandırma koşulunu (model doğruluğu) kabul eder. |
| Çekirdek (İsteğe bağlı) | Kayar noktalı sayı değeri. Toplayıcı, parti yanıtlarının belirli bir oranına ulaşmasından sonra model eğitimiyle devam eder. 0-1 arasında bir ondalık değer alır. Varsayılan değer 1'dir. Model eğitimi, yalnızca parti yanıtlarının belirtilen oran değerine ulaşmasından sonra başlar. Örneğin, bu değerin 0.5 olarak ayarlanması, kayıtlı tarafların %50 'si toplama çağrısına yanıt verdikten sonra eğitimi başlatır. |
| Zamanaşımı Üst Sınırı (İsteğe bağlı) | Tamsayı değeri. Taraf yanıtlarının bekleme süresi bu değeri saniye cinsinden aşarsa, Birleşik Eğitim deneyini sonlandırır. 43200 'e kadar sayısal bir değer alır. Bu değer saniye cinsinden geçerse ve quorum oranına ulaşılmamışsa, deney sonlandırılır. For example, max_timeout = 1000 terminates the experiment after 1000 seconds if the parties do not respond in that time. |
| Taslak doğruluğu ile gizlilik (İsteğe bağlı) | Kayar noktalı sayı değeri. Toplayıcıya gönderilen, taslak verilerin göreli doğruluğunu denetlemek için XGBoost eğitimi ile kullanılır. 0 ile 1 arasında bir ondalık değer alır. Daha yüksek değerler, daha yüksek kaliteli modellere neden olur, ancak veri gizliliğinde azalma ve kaynak tüketiminde artış olur. |
| Sınıf sayısı | Tamsayı değeri. Sınıflandırma modeline ilişkin hedef sınıfların sayısı. "Kayıp" hyperparameter ise gereklidir: - auto - binary_crossentropy- categorical_crossentropy |
| Öğrenim oranı | Ondalık değer. Öğrenme oranı ( küçülmeolarak da bilinir). Bu, yaprakların değerleri için çarpı katsayısı olarak kullanılır. |
| Kayıp | Dizgi değeri. İlerletme sürecinde kullanılacak kayıp işlevi. - binary_crossentropy (lojistik kaybı olarak da bilinir) ikili sınıflandırma için kullanılır.- categorical_crossentropy , çoklu sınıf sınıflandırması için kullanılır. - auto , sorunun niteine bağlı olarak kayıp işlevini seçer. - least_squares regresyon için kullanılır. |
| En Üst Öğe | Tamsayı değeri. Bir Scikit öğrenme modelini eğitmek için yerel eğitim veri setinin toplam geçişleri. |
| N kümesi | Tamsayı değeri. Oluşturulacak küme sayısı ve oluşturulacak centroidlerin sayısı. |
| Epoch (İsteğe bağlı) | Tamsayı değeri. Her bir tur için her bir uzak parti tarafından önlenecek yerel eğitim yinelemelerinin sayısı. Örneğin, Rounds 'ı 2 ve Epochs olarak 5 olarak ayarlarsa, tüm uzak taraflar, modelden toplayıcıya modelden 5 kez önce yerel olarak eğilir. 2. raundda, toplayıcı modeli, tüm taraflarca yerel olarak yeniden eğitilir ve toplama işlemi için yeniden gönderilir. |
| sigma | Kayar noktalı sayı değeri. Yerel model nöronlarının genel modelden ne kadar uzak olmasına izin verildiğini belirler. Daha büyük bir değer daha fazla eşleştirme sağlar ve daha küçük bir genel model üretir. Varsayılan değer 1 'dir. |
| sigma0 | Kayar noktalı sayı değeri. Genel ağ nöronlarının izin verilen sapmasını tanımlar. Varsayılan değer 1 'dir. |
| Gama | Kayar noktalı sayı değeri. Her bir gözlemde beklenen özellik sayısını denetleyen Indian Fet Process parametresi. Varsayılan değer 1 'dir. |