翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
でモデルの自動チューニングを実行する SageMaker
Amazon SageMaker 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することで、モデルの最適なバージョンを見つけます。Amazon SageMaker 自動モデルチューニング (AMT) は、ハイパーパラメータチューニングとも呼ばれます。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で二項分類問題を実行する場合などです。目標は、Amazon で XGBoost アルゴリズムを使用する SageMaker 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 ハイパーパラメータチューニング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すには、基準が満たされた後に調整を停止するように完了基準を設定します。
SageMaker 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 構築済みコンテナで使用できます。
SageMaker 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 でマネージドスポットトレーニングを使用する SageMaker」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、トレーニングジョブが少なくとも 1 回機能 SageMaker し、正常に実行されるようにします。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 のセットアップガイド SageMaker」を参照してください。
トピック
