使用 SageMaker AI 自动调整模型 - 亚马逊 SageMaker AI
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

使用 SageMaker AI 自动调整模型

Amazon SageMaker AI 自动模型调整 (AMT) 通过在您的数据集中运行许多训练作业来找到模型的最佳版本。Amazon SageMaker AI 自动模型调整 (AMT) 也称为超参数调整。为此,AMT 使用您指定的算法和超参数范围。然后,选择超参数值创建性能最佳的模型(按照您选择的指标衡量)。

例如,在营销数据集上运行二元分类问题。您的目标是通过训练 XGBoost 使用 Amazon A SageMaker I 的算法模型,最大化算法的曲线下面积 (AUC) 指标。您希望找出 etaalphamin_child_weightmax_depth 超参数的哪些值可以训练出最佳模型。为这些超参数指定值的范围。然后, SageMaker AI 超参数调优在范围内搜索以找到一种组合,该组合可以创建具有最高 AUC 的模型,从而创建具有最高 AUC 的模型。为了节省资源或满足特定的模型质量期望,可以设置完成标准,以便在达到标准后停止调优。

您可以将 SageMaker AI AMT 与内置算法、自定义算法或机器学习框架的 SageMaker AI 预构建容器一起使用。

SageMaker AI AMT 可以在运行训练作业时使用 Amazon EC2 Spot 实例来优化成本。有关更多信息,请参阅 亚马逊 A SageMaker I 中的托管竞技训练

在开始使用超参数调优之前,您应该已经具有明确定义的机器学习问题,包括下列内容:

  • 数据集

  • 了解需要训练的算法类型

  • 明确了解如何衡量成功

准备好您的数据集和算法,使其在 SageMaker AI 中运行并至少成功运行一次训练作业。有关设置和运行训练作业的信息,请参阅亚马逊 A SageMaker I 入门指南