Ajuste automático do modelo com SageMaker

O ajuste SageMaker automático de modelos (AMT) da Amazon encontra a melhor versão de um modelo executando vários trabalhos de treinamento em seu conjunto de dados. O ajuste SageMaker automático de modelos da Amazon (AMT) também é conhecido como ajuste de hiperparâmetros. Para fazer isso, AMT usa o algoritmo e os intervalos de hiperparâmetros que você especifica. Em seguida, escolhe os valores dos hiperparâmetros que criam um modelo que apresenta o melhor desempenho, conforme medido por uma métrica que você escolhe.

Por exemplo, executar um problema de classificação binária em um conjunto de dados de marketing. Seu objetivo é maximizar a área sob a métrica curve (AUC) do algoritmo treinando um XGBoostalgoritmo com a Amazon SageMaker modelo. Você deseja encontrar os valores ideais para os hiperparâmetros eta, alpha, min_child_weight e max_depth que treinarão o melhor modelo. Especifique uma faixa de valores para esses hiperparâmetros. Em seguida, o ajuste de SageMaker hiperparâmetros pesquisa dentro dos intervalos para encontrar uma combinação que crie um trabalho de treinamento que crie um modelo com a mais altaAUC. Para conservar recursos ou atender a uma expectativa específica de qualidade do modelo, configure critérios de conclusão para interromper o ajuste depois que os critérios forem atendidos.

Você pode usar SageMaker AMT com algoritmos integrados, algoritmos personalizados ou contêineres SageMaker pré-criados para estruturas de aprendizado de máquina.

SageMaker AMTpode usar uma instância Amazon EC2 Spot para otimizar custos ao executar trabalhos de treinamento. Para obter mais informações, consulte Treinamento local gerenciado na Amazon SageMaker.

Antes de começar a usar o ajuste de hiperparâmetros, você deve ter um problema de machine learning bem definido, incluindo o seguinte:

• Um conjunto de dados

• Compreensão do tipo de algoritmo que você precisa treinar

• Um claro entendimento de como medir o sucesso

Prepare seu conjunto de dados e algoritmo para que eles funcionem SageMaker e executem com sucesso um trabalho de treinamento pelo menos uma vez. Para obter informações sobre a configuração e a execução de um trabalho de treinamento, consulte Guia para se configurar com a Amazon SageMaker.

Tópicos

• Entenda as estratégias de ajuste de hiperparâmetros disponíveis na Amazon SageMaker
• Defina métricas e variáveis de ambiente
• Definir intervalos de hiperparâmetros
• Acompanhe e defina critérios de conclusão para seu trabalho de ajuste
• Ajustar vários algoritmos com otimização de hiperparâmetros para encontrar o melhor modelo
• Exemplo: trabalho de ajuste de hiperparâmetros
• Interromper trabalhos de treinamento precocemente
• Executar um trabalho de ajuste de hiperparâmetros de inicialização a quente
• Limites de recursos de ajuste automático de modelos
• Práticas recomendadas para o ajuste de hiperparâmetros