Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Effectuez le réglage automatique du modèle avec SageMaker
Amazon SageMaker Automatic Model Tuning (AMT) trouve la meilleure version d'un modèle en exécutant de nombreuses tâches de formation sur votre ensemble de données. Le réglage SageMaker automatique du modèle (AMT) d'Amazon est également connu sous le nom de réglage des hyperparamètres. Pour ce faire, AMT utilise l'algorithme et les plages d'hyperparamètres que vous spécifiez. Il choisit ensuite les valeurs d'hyperparamètres qui créent un modèle aux performances optimales, telles qu'elles sont mesurées par une métrique que vous choisissez.
Par exemple, résoudre un problème de classification binaire sur un jeu de données marketing. Votre objectif est de maximiser l'aire sous la métrique curve (AUC) de l'algorithme en entraînant un Utilisez l'algorithme XGBoost avec Amazon SageMaker modèle. Vous souhaitez déterminer les valeurs des hyperparamètres eta
, alpha
, min_child_weight
et max_depth
qui permettront d'entraîner le meilleur modèle. Spécifiez une plage de valeurs pour ces hyperparamètres. Ensuite, le réglage des SageMaker hyperparamètres effectue une recherche dans les plages afin de trouver une combinaison qui crée une tâche de formation qui crée un modèle avec la valeur la plus élevéeAUC. Pour économiser les ressources ou répondre aux attentes de qualité d'un modèle spécifique, définissez des critères d'achèvement pour arrêter le réglage une fois ces critères remplis.
Vous pouvez utiliser SageMaker AMT des algorithmes intégrés, des algorithmes personnalisés ou des conteneurs SageMaker prédéfinis pour les frameworks d'apprentissage automatique.
SageMaker AMTpeut utiliser une instance Amazon EC2 Spot pour optimiser les coûts lors de l'exécution de tâches de formation. Pour de plus amples informations, veuillez consulter Utilisez Managed Spot Training sur Amazon SageMaker.
Avant de commencer à utiliser le réglage des hyperparamètres, vous devez disposer d'un problème de machine learning bien défini, y compris les éléments suivants :
-
Un jeu de données
-
La compréhension du type d'algorithme que vous devez entraîner
-
Une bonne compréhension de la façon dont vous mesurez la réussite
Préparez votre jeu de données et votre algorithme de manière à ce qu'ils fonctionnent SageMaker et exécutent avec succès une tâche de formation au moins une fois. Pour de plus amples informations sur la configuration et l'exécution d'une tâche d'entraînement, reportez-vous à la section Guide de configuration avec Amazon SageMaker.
Rubriques
- Comment fonctionne le réglage des hyperparamètres avec Amazon SageMaker
- Définition de métriques et de variables d'environnement
- Définition des plages d'hyperparamètres
- Suivi et définition des critères d'achèvement de votre tâche de réglage
- Réglage de plusieurs algorithmes avec l'optimisation des hyperparamètres pour trouver le meilleur modèle
- Exemple : tâche de réglage d'hyperparamètres
- Arrêter de manière précoce des tâches d'entraînement
- Exécution d'une tâche de réglage des hyperparamètres avec démarrage à chaud
- Limites des ressources pour le réglage automatique du modèle
- Bonnes pratiques pour le réglage des hyper-paramètres