Durchführen der automatischen Modelloptim SageMaker - Amazon SageMaker

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.

Durchführen der automatischen Modelloptim SageMaker

Amazon SageMaker Die automatische Modelloptimierung mit , auch bekannt als Hyperparameter-Optimierung, sucht nach der besten Version eines Modells durch Ausführen vieler Schulungsaufträge auf Ihrem Dataset mithilfe des Algorithmus und der Bereiche von Hyperparametern, die Sie angeben. Anschließend werden die Hyperparameter-Werte ausgewählt, die ein Modell ergeben, das gemessen an einer von Ihnen ausgewählten Metrik die beste Leistung erzielt.

Angenommen, Sie möchten ein Problem mit der binären Klassifizierung auf einem Marketing-Dataset lösen. Ihr Ziel ist es, die Metrik für die Fläche unter der Kurve (AUC) des Algorithmus durch Schulung eines XGBoost-Algorithmus-Modells zu maximieren. Sie wissen nicht, welche Werte für die Hyperparameter eta, alpha, min_child_weight und max_depth zur Schulung des besten Modells verwendet werden müssen. Um die besten Werte für diese Hyperparameter zu ermitteln, können Sie Wertebereiche angeben, die SageMaker Hyperparameter-Optimierung von sucht nach der Wertekombination, die den besten Schulungsauftrag ergibt. Dies lässt sich anhand der objektiven Metrik ablesen, die Sie ausgewählt haben. Bei der Hyperparameter-Optimierung werden Schulungsaufträge gestartet, die Hyperparameter-Werte in den von Ihnen festgelegten Bereichen verwenden, und der Schulungsauftrag mit der höchsten AUC wird ausgegeben.

Sie können Folgendes verwenden SageMaker automatische Modelloptimierung mit integrierten Algorithmen, benutzerdefinierten Algorithmen und SageMaker vorgefertigte Container für Frameworks für maschinelles Lernen.

Amazon SageMaker Die automatische Modelloptimierung kann die Amazon EC2 Spot-Instanz verwenden, um die Kosten bei der Ausführung von Schulungsaufträgen zu optimieren Weitere Informationen zum Managed Spot Training finden Sie unterManaged SageMaker-Spot-Schulungaus.

Bevor Sie die Hyperparameter-Optimierung verwenden, sollte ein eindeutig definiertes Machine Learning-Problem vorliegen, darunter:

  • Ein Dataset

  • Das Wissen, welche Art von Algorithmus geschult werden muss

  • Eine klare Vorstellung davon, wie Erfolg ermittelt wird

Außerdem sollten Sie Ihr Dataset und den Algorithmus vorbereiten, sodass diese in funktionieren SageMaker und führen Sie mindestens einmal erfolgreich einen Schulungsauftrag aus. Weitere Informationen zum Einrichten und Ausführen eines Schulungsauftrags finden Sie unter Erste Schritte mit Amazon SageMaker.