tongchenkeji 发表于：2023-11-5 16:33:140次点击 已关注取消关注 关注 私信 机器学习PAI EasyRec中的eval_config怎么用？[阿里云机器学习PAI] 暂停朗读为您朗读 机器学习PAI EasyRec中的eval_config怎么用？给一个具体案例 「点点赞赏，手留余香」 赞赏 还没有人赞赏，快来当第一个赞赏的人吧！ 海报 机器学习PAI# 机器学习深度学习1219
xin在这AM 2023-11-28 2:57:04 1 根据已知的概念信息中的描述，可以得知eval_config是EasyRec中的一个参数，它的类型是EvalConfig，是可选的参数。根据已知的参考内容信息中的示例，可以看到eval_config的具体使用方式如下：eval_config {num_examples: 1000metrics_set: {auc {}}}在这个例子中，eval_config被用于设置评估的配置信息。其中，num_examples表示评估时使用的样本数量为1000个，metrics_set表示评估时使用的指标集合，这里使用的是auc指标。所以，你可以根据自己的需求来设置eval_config参数，例如设置不同的样本数量和指标集合，以满足你的评估需求。，此回答整理自钉群“【EasyRec】推荐算法交流群”
sun20AM 2023-11-28 2:57:04 2 在EasyRec中，eval_config用于配置模型评估的相关参数。 以下是一个具体案例： { "metrics": [ { "name": "auc", "type": "binary_classification", "threshold": 0.5 }, { "name": "precision", "type": "binary_classification", "threshold": 0.5 }, { "name": "recall", "type": "binary_classification", "threshold": 0.5 } ]} 在这个例子中，我们定义了三个评估指标：AUC、精确率和召回率。每个指标都有一个类型（这里是二分类）和一个阈值。 然后，我们可以在训练时使用这个eval_config： python -m easy_rec.python.train --pipeline_config_path dwd_avazu_ctr_deepmodel.config --eval_config_path eval_config.json --export_dir ./export 这样，模型训练结束后，就会根据eval_config中的设置进行模型评估。
小周sirAM 2023-11-28 2:57:04 3 在机器学习PAI EasyRec中，eval_config可以用来设置训练集和验证集的比例以及相应的评估指标。一个具体的例子如下所示： # 训练集和验证集的比例eval_config: train_percent: 0.8 val_percent: 0.2# 评估指标eval_metrics: - binary_logloss# 是否在训练过程中输出评估结果eval_output_path: true 在这个例子中，我们将数据集分为80%的训练集和20%的验证集。然后我们使用binary_logloss作为评估指标。最后，我们设置了eval_output_path为true，这样在训练过程中会将评估结果输出到stdout。需要注意的是，如果eval_output_path设置为false，则不会输出任何评估结果。此外，还需要注意eval_config下的训练集和验证集的比例之和应为1。
根据已知的概念信息中的描述，可以得知eval_config是EasyRec中的一个参数，它的类型是EvalConfig，是可选的参数。根据已知的参考内容信息中的示例，可以看到eval_config的具体使用方式如下：eval_config {
num_examples: 1000
metrics_set: {
auc {}
}
}
在这个例子中，eval_config被用于设置评估的配置信息。其中，num_examples表示评估时使用的样本数量为1000个，metrics_set表示评估时使用的指标集合，这里使用的是auc指标。
所以，你可以根据自己的需求来设置eval_config参数，例如设置不同的样本数量和指标集合，以满足你的评估需求。，此回答整理自钉群“【EasyRec】推荐算法交流群”
在EasyRec中，eval_config用于配置模型评估的相关参数。
以下是一个具体案例：
在这个例子中，我们定义了三个评估指标：AUC、精确率和召回率。每个指标都有一个类型（这里是二分类）和一个阈值。
然后，我们可以在训练时使用这个eval_config：
这样，模型训练结束后，就会根据eval_config中的设置进行模型评估。
在机器学习PAI EasyRec中，eval_config可以用来设置训练集和验证集的比例以及相应的评估指标。
一个具体的例子如下所示：
在这个例子中，我们将数据集分为80%的训练集和20%的验证集。然后我们使用binary_logloss作为评估指标。最后，我们设置了eval_output_path为true，这样在训练过程中会将评估结果输出到stdout。
需要注意的是，如果eval_output_path设置为false，则不会输出任何评估结果。此外，还需要注意eval_config下的训练集和验证集的比例之和应为1。