Führen Sie eine automatische Modelloptimierung durch mit 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.

Führen Sie eine automatische Modelloptimierung durch mit SageMaker

Amazon SageMaker Automatic Model Tuning (AMT), auch bekannt als Hyperparameter-Tuning, findet die beste Version eines Modells, indem es viele Trainingsjobs für Ihren Datensatz ausführt. Zu diesem Zweck verwendet AMT den Algorithmus und die Bereiche von Hyperparametern, die Sie angeben. Es wählt dann die Hyperparameterwerte aus, die ein Modell erstellen, das gemessen an einer von Ihnen gewählten Metrik die beste Leistung erbringt.

Angenommen, Sie möchten ein Problem mit der binären Klassifizierung auf einem Marketing-Datensatz lösen. Ihr Ziel ist es, die Metrik für die Fläche unter der Kurve (AUC) des Algorithmus durch Training eines Verwenden Sie den XGBoost-Algorithmus mit Amazon SageMaker-Modells zu maximieren. Sie möchten herausfinden, mit welchen Werten für die Hyperparameter etaalpha,min_child_weight und max_depth das Modell am besten trainiert werden kann. Geben Sie einen Wertebereich für diese Hyperparameter an. Anschließend sucht das SageMaker Hyperparameter-Tuning innerhalb dieser Bereiche nach einer Kombination von Werten, wodurch ein Trainingsjob erstellt wird, der ein Modell mit der höchsten AUC erstellt. Um Ressourcen zu schonen oder bestimmte Qualitätsanforderungen an das Modell zu erfüllen, können Sie auch Abschlusskriterien einrichten, um die Optimierung zu beenden, nachdem die Kriterien erfüllt wurden.

Sie können SageMaker AMT mit integrierten Algorithmen, benutzerdefinierten Algorithmen oder SageMaker vorgefertigten Containern für Frameworks für maschinelles Lernen verwenden.

SageMaker AMT kann eine Amazon EC2-Spot-Instance verwenden, um die Kosten bei der Ausführung von Schulungsaufträgen zu optimieren. Weitere Informationen finden Sie unter Verwenden von Managed Spot Training in Amazon SageMaker.

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

  • Ein Datensatz

  • Verständnis für die Art des Algorithmus, den Sie trainieren müssen

  • Eine klare Vorstellung davon, wie Erfolg ermittelt wird

Bereiten Sie Ihren Datensatz und Ihren Algorithmus so vor, dass sie in einem Trainingsjob funktionieren SageMaker und ihn mindestens einmal erfolgreich ausführen. Weitere Informationen zum Einrichten und Ausführen eines Trainingsauftrags finden Sie unter Leitfaden zur Einrichtung bei Amazon SageMaker.