Effectuez le réglage automatique du modèle avec SageMaker - Amazon SageMaker

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Effectuez le réglage automatique du modèle avec SageMaker

Le réglage SageMaker automatique des modèles (AMT) d'Amazon, également connu sous le nom de réglage des hyperparamètres, trouve la meilleure version d'un modèle en exécutant de nombreuses tâches de formation sur votre ensemble de données. Pour ce faire, l'ajustement AMT utilise l'algorithme et les plages d'hyperparamètres que vous spécifiez. Il choisit ensuite les valeurs d'hyperparamètres qui créent un modèle aux performances optimales, telles qu'elles sont mesurées par une métrique que vous choisissez.

Par exemple, supposons que vous souhaitez résoudre un problème de classification binaire sur un jeu de données marketing. Votre objectif est d'optimiser la métrique aire sous la courbe (AUC) de l'algorithme en entraînant un modèle Algorithme XGBoost. Vous souhaitez déterminer les valeurs des hyperparamètres eta, alpha, min_child_weight et max_depth qui permettront d'entraîner le meilleur modèle. Spécifiez une plage de valeurs pour ces hyperparamètres. Ensuite, le réglage des SageMaker hyperparamètres effectue une recherche dans ces plages pour trouver une combinaison de valeurs qui crée une tâche de formation qui crée un modèle présentant l'AUC la plus élevée. Pour économiser les ressources ou répondre à des attentes spécifiques en matière de qualité de modèle, vous pouvez également configurer des critères d'achèvement pour arrêter le réglage une fois ces critères satisfaits.

Vous pouvez utiliser SageMaker AMT avec des algorithmes intégrés, des algorithmes personnalisés ou des conteneurs SageMaker prédéfinis pour les frameworks d'apprentissage automatique.

SageMaker AMT peut utiliser une instance Amazon EC2 Spot pour optimiser les coûts lors de l'exécution de tâches de formation. Pour plus d’informations, consultez Utilisez Managed Spot Training sur Amazon SageMaker.

Avant de commencer à utiliser le réglage des hyperparamètres, vous devez disposer d'un problème de machine learning bien défini, y compris les éléments suivants :

  • Un jeu de données

  • La compréhension du type d'algorithme que vous devez entraîner

  • Une bonne compréhension de la façon dont vous mesurez la réussite

Préparez votre jeu de données et votre algorithme de manière à ce qu'ils fonctionnent SageMaker et exécutent avec succès une tâche de formation au moins une fois. Pour de plus amples informations sur la configuration et l'exécution d'une tâche d'entraînement, reportez-vous à la section Mise en route.