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。
使用执行自动模型调整 SageMaker
Amazon SageMaker 自动模型调整 (AMT)，也称为超参数调整，它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。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，假设您希望解决营销数据集上的二进制分类问题。您的目标是通过训练 在亚马逊上使用 xgBoost 算法 SageMaker模型，最大化算法的曲线下面积 (AUC) 指标。您希望找出 eta、alpha、min_child_weight 和 max_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 超参数调整在这些范围内进行搜索以找到创建具有最高 AUC 模型的训练作业的值组合。为了节省资源或满足特定的模型质量期望，您还可以设置完成标准，以便在达到标准后停止调优。
您可以将 SageMaker AMT 与内置算法、自定义算法或机器学习框架的 SageMaker 预建容器一起使用。
SageMaker 在运行训练作业时，AMT 可以使用 Amazon EC2 竞价型实例来优化成本。有关更多信息，请参阅 在 Amazon 中使用托管竞技训练 SageMaker。
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，以便它们在训练作业中工作 SageMaker 并成功运行至少一次。有关设置和运行训练作业的信息，请参阅Amazon 入门指南 SageMaker。