Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Beispiel: Hyperparameter-Optimierungsauftrag
In diesem Beispiel wird gezeigt, wie Sie ein neues Notebook zum Konfigurieren und Starten eines Hyperparameter-Optimierungsauftrags erstellen. Der Optimierungsauftrag nutzt den XGBoostAlgorithmus mit Amazon SageMaker, um ein Modell zu trainieren, das dann vorhersagt, ob ein Kunde eine Banktermineinlage registriert, nachdem er per Telefon kontaktiert wurde.
Sie verwenden das Low-Level SDK für Python (Boto3), um den Hyperparameter-Tuning-Job zu konfigurieren und zu starten und den Status von Hyperparameter-Tuning-Jobs AWS Management Console zu überwachen. Sie können Amazon SageMaker Python auch SageMaker auf hoher Ebene von Amazon
Voraussetzungen
Sie benötigen zur Ausführung des Codes in diesem Beispiel
-
Ein Amazon-S3-Bucket zum Speichern Ihres Trainingsdatensatzes und der während des Trainings erstellten Modellartefakte
Themen
- Erstellen einer Notebook-Instance
- Holen Sie sich den Amazon SageMaker Boto 3-Client
- Holen Sie sich die SageMaker Ausführungsrolle
- Verwenden Sie einen Amazon-S3-Bucket für Eingaben und Ausgaben
- Herunterladen, Vorbereiten und Hochladen von Trainingsdaten
- Konfigurieren und Starten eines Hyperparameter-Optimierungsauftrags
- Bereinigen