Pilih preferensi cookie Anda

Kami menggunakan cookie penting serta alat serupa yang diperlukan untuk menyediakan situs dan layanan. Kami menggunakan cookie performa untuk mengumpulkan statistik anonim sehingga kami dapat memahami cara pelanggan menggunakan situs dan melakukan perbaikan. Cookie penting tidak dapat dinonaktifkan, tetapi Anda dapat mengklik “Kustom” atau “Tolak” untuk menolak cookie performa.

Jika Anda setuju, AWS dan pihak ketiga yang disetujui juga akan menggunakan cookie untuk menyediakan fitur situs yang berguna, mengingat preferensi Anda, dan menampilkan konten yang relevan, termasuk iklan yang relevan. Untuk menerima atau menolak semua cookie yang tidak penting, klik “Terima” atau “Tolak”. Untuk membuat pilihan yang lebih detail, klik “Kustomisasi”.

Penyetelan model otomatis dengan SageMaker

Mode fokus
Penyetelan model otomatis dengan SageMaker - Amazon SageMaker

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Amazon SageMaker automatic model tuning (AMT) menemukan versi terbaik dari sebuah model dengan menjalankan banyak pekerjaan pelatihan pada dataset Anda. Amazon SageMaker automatic model tuning (AMT) juga dikenal sebagai tuning hyperparameter. Untuk melakukan ini, AMT gunakan algoritma dan rentang hyperparameters yang Anda tentukan. Kemudian memilih nilai hyperparameter yang menciptakan model yang berkinerja terbaik, yang diukur dengan metrik yang Anda pilih.

Misalnya, menjalankan masalah klasifikasi biner pada dataset pemasaran. Tujuan Anda adalah memaksimalkan area di bawah metrik kurva (AUC) algoritme dengan melatih XGBoostalgoritma dengan Amazon SageMaker model. Anda ingin menemukan nilai mana untuketa,, alphamin_child_weight, dan max_depth hyperparameters yang akan melatih model terbaik. Tentukan rentang nilai untuk hiperparameter ini. Kemudian, tuning SageMaker hyperparameter mencari dalam rentang untuk menemukan kombinasi yang menciptakan pekerjaan pelatihan yang menciptakan model dengan yang tertinggi. AUC Untuk menghemat sumber daya atau memenuhi ekspektasi kualitas model tertentu, tetapkan kriteria penyelesaian untuk menghentikan penyetelan setelah kriteria terpenuhi.

Anda dapat menggunakan SageMaker AMT algoritme bawaan, algoritme khusus, atau wadah yang SageMaker sudah dibuat sebelumnya untuk kerangka kerja pembelajaran mesin.

SageMaker AMTdapat menggunakan instans Amazon EC2 Spot untuk mengoptimalkan biaya saat menjalankan pekerjaan pelatihan. Untuk informasi selengkapnya, lihat Pelatihan Spot Terkelola di Amazon SageMaker.

Sebelum Anda mulai menggunakan tuning hyperparameter, Anda harus memiliki masalah pembelajaran mesin yang terdefinisi dengan baik, termasuk yang berikut ini:

  • Dataset

  • Pemahaman tentang jenis algoritma yang perlu Anda latih

  • Pemahaman yang jelas tentang bagaimana Anda mengukur kesuksesan

Siapkan dataset dan algoritme Anda sehingga mereka bekerja SageMaker dan berhasil menjalankan pekerjaan pelatihan setidaknya sekali. Untuk informasi tentang menyiapkan dan menjalankan pekerjaan pelatihan, lihatPanduan untuk mengatur dengan Amazon SageMaker.

PrivasiSyarat situsPreferensi cookie
© 2024, Amazon Web Services, Inc. atau afiliasinya. Semua hak dilindungi undang-undang.