SageMaker AI による自動モデル調整

Amazon SageMaker AI 自動モデル調整 (AMT) は、データセットで多くのトレーニングジョブを実行して、モデルの最適なバージョンを見つけます。Amazon SageMaker AI 自動モデル調整 (AMT) は、ハイパーパラメータ調整とも呼ばれます。これを行うには、指定したアルゴリズムとハイパーパラメータの範囲を使用します。さらに、選択したメトリクスでの測定に基づいて、最もパフォーマンスの高いモデルを作成するハイパーパラメータ値を選択します。

例えば、マーケティングデータセットの二項分類問題を実行するとします。目標は、Amazon SageMaker AI を使用した XGBoost アルゴリズム モデルをトレーニングすることにより、アルゴリズムのカーブの下の領域 (AUC) メトリクスを最大化することです。eta、alpha、min_child_weight、max_depth ハイパーパラメータのどの値を使用すれば最善のモデルをトレーニングできるのかを特定する必要があります。これらのハイパーパラメータの有効な値の範囲を指定します。次に、SageMaker AI ハイパーパラメータ調整は、 範囲内で検索して、AUC が最も高いモデルを作成するトレーニングジョブを作成する組み合わせを見つけます。リソースを節約したり、特定のモデル品質の期待を満たしたりするには、条件が満たされた後に調整を停止する完了基準を設定します。

SageMaker AI AMT は、組み込みアルゴリズム、カスタムアルゴリズム、または機械学習フレームワーク用の SageMaker AI 構築済みコンテナで使用できます。

SageMaker AI AMT は Amazon EC2 スポットインスタンスを使用して、トレーニングジョブを実行する際のコストを最適化できます。詳細については、「Amazon SageMaker AI でのマネージドスポットトレーニング」を参照してください。

ハイパーパラメータ調整の使用を開始する前に、次のような明確な機械学習問題がすでに存在しています。

• データセット

• トレーニングする必要があるアルゴリズムのタイプの理解

• どのように成功を測定するかについての明確な理解

データセットとアルゴリズムを準備して、SageMaker AI で動作し、少なくとも 1 回トレーニングジョブを正常に実行できるようにします。トレーニングジョブの設定方法および実行方法については、「Amazon SageMaker AI のセットアップガイド」を参照してください。

トピック

• Amazon SageMaker AI で利用可能なハイパーパラメータ調整戦略を理解する

• メトリクスと環境変数を定義する

• ハイパーパラメータの範囲を定義する

• 調整ジョブの追跡および完了基準の設定

• ハイパーパラメータの最適化を使って複数のアルゴリズムをチューニングし、最適なモデルを見つける

• 例: ハイパーパラメータ調整ジョブ

• トレーニングジョブを早期停止する

• ウォームスタートのハイパーパラメータ調整ジョブを実行する

• 自動モデルチューニングリソースの制限

• ハイパーパラメータ調整のベストプラクティス