使用 SageMaker 执行自动模型调优
Amazon SageMaker 自动模型调优 (AMT) 也称为超参数调优，通过在数据集上运行大量训练作业来查找模型的最佳版本。为此，AMT 使用您指定的算法和超参数范围。然后，选择超参数值创建性能最佳的模型（按照您选择的指标衡量）。
例如，假设您希望解决营销数据集上的二进制分类问题。您的目标是通过训练 XGBoost 算法模型，最大化算法的曲线下面积 (AUC) 指标。您希望找出 eta、alpha、min_child_weight 和 max_depth 超参数的哪些值可以训练出最佳模型。为这些超参数指定值的范围。然后，SageMaker 超参数调优在这些范围内进行搜索，以找到能够创建可生成具最高 AUC 的模型的训练作业的值组合。为了节省资源或满足特定的模型质量期望，您还可以设置完成标准，以便在达到标准后停止调优。
您可以将 SageMaker AMT 与内置算法、自定义算法或 SageMaker 预构建容器结合使用于机器学习框架。
在运行训练作业时，SageMaker AMT 可以使用 Amazon EC2 竞价型实例优化成本。有关更多信息，请参阅使用 Amazon SageMaker 中的托管竞价型训练。
在开始使用超参数调优之前，您应该已经具有明确定义的机器学习问题，包括下列内容：
-
数据集
-
了解需要训练的算法类型
-
明确了解如何衡量成功
请准备数据集和算法，使其可用于 SageMaker 中，并至少成功运行训练作业一次。有关设置和运行训练作业的信息，请参阅开始使用。
主题
