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 XGBoost-Algorithmus, um ein Modell zu schulen, 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 das AWS Management Console, um den Status von Hyperparameter-Tuning-Jobs zu überwachen. Sie können das Amazon SageMaker High-Level Amazon SageMaker Python SDK
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
- Abrufen des Amazon SageMaker Boto 3-Clients
- Abrufen der SageMaker Ausführungsrolle
- Verwenden Sie einen Amazon S3 S3-Bucket für Eingaben und Ausgaben
- Herunterladen, Vorbereiten und Hochladen von Schulungsdaten
- Konfigurieren und Starten eines Hyperparameter-Optimierungsauftrags
- Bereinigen
