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.
Realice un ajuste automático del modelo con SageMaker
El ajuste SageMaker automático de modelos (AMT) de Amazon busca la mejor versión de un modelo mediante la ejecución de muchos trabajos de entrenamiento en su conjunto de datos. El ajuste SageMaker automático de modelos de Amazon (AMT) 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, ejecutar un problema de clasificación binaria en un conjunto de datos de marketing. Su objetivo es maximizar la métrica del área bajo la curva (AUC) del algoritmo mediante el entrenamiento de un Usa el algoritmo XGBoost con Amazon SageMaker modelo. 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. A continuación, el ajuste de SageMaker hiperparámetros busca dentro de los rangos para encontrar una combinación que cree un trabajo de entrenamiento que cree un modelo con los valores más altosAUC. Para conservar los recursos o cumplir con una expectativa de calidad específica del modelo, configure los criterios de finalización para detener el ajuste una vez que se hayan cumplido los criterios.
Puede utilizarlos SageMaker AMT con algoritmos integrados, algoritmos personalizados o contenedores SageMaker prediseñados para los marcos de aprendizaje automático.
SageMaker AMTpuede utilizar una instancia de Amazon EC2 Spot para optimizar los costes a la hora de ejecutar tareas de formación. Para obtener más información, consulte Utilice Managed Spot Training en Amazon SageMaker.
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
Prepare su conjunto de datos y su algoritmo para que funcionen SageMaker y ejecuten correctamente un trabajo de formación al menos una vez. Para obtener información acerca de cómo configurar y ejecutar un trabajo de entrenamiento, consulte Guía para configurar Amazon SageMaker.
Temas
- Cómo funciona el ajuste de hiperparámetros con Amazon SageMaker
- Defina las métricas y las variables de entorno
- Definición de intervalos de hiperparámetros
- Realizar un seguimiento y establecer criterios de finalización de su trabajo de ajuste
- Ajuste varios algoritmos con Optimización de hiperparámetros para encontrar el mejor modelo
- Ejemplo: trabajo de ajuste de hiperparámetros
- Detener trabajos de entrenamiento pronto
- Ejecución de un trabajo de ajuste de hiperparámetros de inicio en caliente
- Límites de recursos para el ajuste de modelo automático
- Prácticas recomendadas para el ajuste de hiperparámetros