Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Cuadernos de AutoPilot generados para gestionar las tareas de AutoML
Amazon SageMaker Autopilot gestiona las tareas clave de un proceso de aprendizaje automático (AutoML) mediante un trabajo de AutoML. El trabajo de AutoML crea tres informes basados en cuadernos que describen el plan que sigue Piloto automático para generar modelos candidatos.
Un modelo candidato consiste en un par (canalización, algoritmo). En primer lugar, hay un cuaderno de exploración de datos, que describe lo que Piloto automático ha aprendido sobre los datos que usted ha suministrado. En segundo lugar, hay un cuaderno de definición de candidatos, que utiliza la información sobre los datos para generar candidatos. En tercer lugar, hay un informe con información sobre el modelo, que puede ayudar a detallar las características de rendimiento del mejor modelo en la clasificación de un experimento de Piloto automático.
Temas
Puede ejecutar estos blocs de notas en Amazon SageMaker, o localmente, si ha instalado Amazon SageMaker Python SDK
-
Preprocesadores utilizados en los datos
-
Cantidad de ejecuciones de optimización de hiperparámetros (HPO) y su paralelismo
-
Algoritmos por probar
-
Tipos de instancias utilizados para los trabajos HPO
-
Intervalos de hiperparámetros
Como método de aprendizaje, es recomendable hacer modificaciones en el cuaderno de definiciones de candidatos. Esta capacidad le permite entender cómo afectan a sus resultados las decisiones tomadas durante el proceso de machine learning.
nota
Al ejecutar los cuadernos en la instancia predeterminada, habrá un impacto en los costes básicos. Sin embargo, cuando ejecuta los HPO trabajos desde el cuaderno candidato, estos trabajos utilizan recursos informáticos adicionales que generan costes adicionales.
