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。
による自動モデルチューニングを実行する SageMaker
アマゾン 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、データセット上で多数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。そのために、AMT 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。次に、ハイパーパラメータ値を選択して、選択した指標で測定すると最高のパフォーマンスを発揮するモデルを作成します。
たとえば、マーケティングデータセットの二項分類問題を解決するとします。あなたの目標は、以下のようになります。曲線下の面積 (AUC)をトレーニングすることによるアルゴリズムのメトリクスXGBoost アルゴリズムモデル。どの値になるかを調べたいeta
、alpha
、min_child_weight
、とmax_depth
最適なモデルをトレーニングするハイパーパラメーター。これらのハイパーパラメータには値の範囲を指定してください。次に、 SageMaker ハイパーパラメータチューニングは、これらの範囲内を検索して、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値の組み合わせを見つけます。リソースを節約したり、特定のモデル品質への期待に応えるために、完了基準を設定して、基準が満たされたらチューニングを停止することもできます。
使用できます SageMaker 組み込みアルゴリズム、カスタムアルゴリズム SageMaker 機械学習フレームワーク用の事前構築済みコンテナ。
SageMaker AMT を使うと、データのチャネル、データのチャネル、S3 における保存場所など、Amazon EC2 における保存場所など、Amazon における保存場所など、データのチャネル、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
-
トレーニングが必要なアルゴリズムの種類についての理解
-
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が次の用途で機能するように準備してください。 SageMaker そして、少なくとも 1 回はトレーニングジョブを正常に実行してください。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、「開始方法」を参照してください。