Contoh: Hyperparameter Tuning Job

Contoh ini menunjukkan cara membuat notebook baru untuk mengonfigurasi dan meluncurkan pekerjaan tuning hyperparameter. Pekerjaan tuning menggunakan XGBoostalgoritma dengan Amazon SageMaker untuk melatih model untuk memprediksi apakah pelanggan akan mendaftar untuk deposito berjangka di bank setelah dihubungi melalui telepon.

Anda menggunakan level rendah SDK untuk Python (Boto3) untuk mengkonfigurasi dan meluncurkan pekerjaan tuning hyperparameter, dan AWS Management Console untuk memantau status pekerjaan tuning hyperparameter. Anda juga dapat menggunakan Amazon SageMaker SDKPython Amazon SageMaker tingkat tinggi untuk mengonfigurasi, menjalankan, memantau, dan menganalisis pekerjaan penyetelan hyperparameter. Untuk informasi lebih lanjut, lihat https://github.com/aws/sagemaker-python-sdk.

Prasyarat

Untuk menjalankan kode dalam contoh ini, Anda perlu

• AWS Akun dan pengguna administrator

• Bucket Amazon S3 untuk menyimpan kumpulan data pelatihan Anda dan artefak model yang dibuat selama pelatihan

• Sebuah instance SageMaker notebook yang sedang berjalan

Topik

• Membuat Instance Notebook
• Dapatkan Klien Amazon SageMaker Boto 3
• Dapatkan Peran SageMaker Eksekusi
• Menggunakan bucket Amazon S3 untuk input dan output
• Unduh, Siapkan, dan Unggah Data Pelatihan
• Konfigurasikan dan Luncurkan Pekerjaan Tuning Hyperparameter
• Bersihkan