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
,, alpha
min_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.
Topik
- Memahami strategi penyetelan hyperparameter yang tersedia di Amazon SageMaker
- Tentukan metrik dan variabel lingkungan
- Tentukan Rentang Hyperparameter
- Lacak dan tetapkan kriteria penyelesaian untuk pekerjaan penyetelan Anda
- Tune Beberapa Algoritma dengan Optimasi Hyperparameter untuk Menemukan Model Terbaik
- Contoh: Hyperparameter Tuning Job
- Hentikan Pekerjaan Pelatihan Lebih Awal
- Jalankan Pekerjaan Tuning Hyperparameter Mulai yang Hangat
- Batas Sumber Daya untuk Penyetelan Model Otomatis
- Praktik Terbaik untuk Tuning Hyperparameter