Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Ajuste automático de modelos con IA SageMaker

Modo de enfoque
Ajuste automático de modelos con IA SageMaker - Amazon SageMaker AI

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

El ajuste automático de modelos (AMT) de Amazon SageMaker AI encuentra la mejor versión de un modelo al ejecutar muchos trabajos de entrenamiento en su conjunto de datos. El ajuste automático de modelos (AMT) de Amazon SageMaker AI también se conoce como ajuste de hiperparámetros. Para ello, AMT utiliza el algoritmo y los rangos de hiperparámetros que especifique. A continuación, elige los valores de hiperparámetros que dan lugar a un modelo con el mejor rendimiento medido por una métrica de su elección.

Por ejemplo, ejecutamos un problema de clasificación binaria en un conjunto de datos de marketing. Su objetivo es maximizar la métrica área bajo la curva (AUC) del algoritmo formando un modelo XGBoost algoritmo con Amazon SageMaker AI. Desea encontrar los valores de los hiperparámetros eta, alpha, min_child_weight y max_depth que servirán para formar el mejor modelo. Especifique un rango de valores para estos hiperparámetros. Luego, el ajuste de hiperparámetros mediante SageMaker IA busca dentro de los rangos para encontrar una combinación que genere un trabajo de entrenamiento que cree un modelo con el AUC más alto. Para ahorrar recursos o cumplir una expectativa de calidad específica del modelo, establezca los criterios de finalización para detener el ajuste una vez que se hayan cumplido.

Puedes usar SageMaker AI AMT con algoritmos integrados, algoritmos personalizados o contenedores de SageMaker IA prediseñados para marcos de aprendizaje automático.

SageMaker AI AMT puede utilizar una instancia de Amazon EC2 Spot para optimizar los costes al ejecutar tareas de formación. Para obtener más información, consulte Formación puntual gestionada en Amazon SageMaker AI.

Antes de comenzar a utilizar el ajuste de hiperparámetros, debe tener un problema de machine learning bien definido que incluya los siguientes elementos:

  • Un conjunto de datos

  • La comprensión del tipo de algoritmo que necesita formar

  • Una comprensión clara de cómo medir el éxito

Prepara tu conjunto de datos y tu algoritmo para que funcionen en la SageMaker IA y ejecuten con éxito un trabajo de formación al menos una vez. Para obtener información acerca de cómo configurar y ejecutar un trabajo de entrenamiento, consulte Guía para empezar a usar Amazon SageMaker AI.

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.