Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Amazon SageMaker Autopilot verwaltet die wichtigsten Aufgaben in einem Prozess für automatisches maschinelles Lernen (AutoML) mithilfe eines AutoML-Jobs. Der AutoML-Auftrag erstellt drei auf Notebooks basierende Berichte, die den Plan beschreiben, dem Autopilot bei der Generierung von Kandidatenmodellen folgt.
Ein Kandidatenmodell besteht aus einem Paar (Pipeline, Algorithmus). Erstens gibt es ein Datenexplorations-Notebook, das beschreibt, was Autopilot über die von Ihnen bereitgestellten Daten gelernt hat. Zweitens gibt es ein Kandidatengenerierungs-Notebook, das die Informationen über die Daten verwendet, um Kandidaten zu generieren. Drittens ein Bericht mit Modelleinsichten, der dabei helfen kann, die Leistungsmerkmale des besten Modells in der Bestenliste eines Autopilot-Experiments detailliert zu beschreiben.
Themen
Sie können diese Notebooks in Amazon SageMaker AI oder lokal ausführen, wenn Sie das Amazon SageMaker Python SDK
-
Für die Daten verwendete Vorverarbeitungsprogramme
-
Anzahl der Hyperparameter-Optimierungsläufe (HPO) und deren Parallelität
-
Auszuprobierenden Algorithmen
-
Die für die HPO-Aufträge verwendeten Instance-Typen
-
Hyperparameter-Bereiche
Es wird empfohlen, Änderungen am Kandidatengenerierungs-Notebook als Lernwerkzeug zu verwenden. Mit dieser Funktion erfahren Sie, wie sich die Entscheidungen, die während des Machine-Learning-Prozesses getroffen wurden, auf Ihre Ergebnisse auswirken.
Anmerkung
Wenn Sie die Notebooks in Ihrer Standard-Instance ausführen, fallen Ihnen Basiskosten an. Wenn Sie HPO-Aufträge jedoch vom Kandidaten-Notebook aus ausführen, verbrauchen diese Aufträge zusätzliche Rechenressourcen, die zusätzliche Kosten verursachen.
