Lakukan penyetelan model otomatis dengan SageMaker

Amazon SageMaker automatic model tuning (AMT) menemukan versi terbaik dari sebuah model dengan menjalankan banyak pekerjaan pelatihan pada dataset Anda. Amazon SageMaker automatic model tuning (AMT) juga dikenal sebagai tuning hyperparameter. Untuk melakukan ini, AMT gunakan algoritma dan rentang hyperparameters yang Anda tentukan. Kemudian memilih nilai hyperparameter yang menciptakan model yang berkinerja terbaik, yang diukur dengan metrik yang Anda pilih.

Misalnya, menjalankan masalah klasifikasi biner pada dataset pemasaran. Tujuan Anda adalah memaksimalkan area di bawah metrik kurva (AUC) algoritme dengan melatih Gunakan algoritma XGBoost dengan Amazon SageMaker model. Anda ingin menemukan nilai mana untuketa,, alphamin_child_weight, dan max_depth hyperparameters yang akan melatih model terbaik. Tentukan rentang nilai untuk hiperparameter ini. Kemudian, tuning SageMaker hyperparameter mencari dalam rentang untuk menemukan kombinasi yang menciptakan pekerjaan pelatihan yang menciptakan model dengan yang tertinggi. AUC Untuk menghemat sumber daya atau memenuhi ekspektasi kualitas model tertentu, siapkan kriteria penyelesaian untuk menghentikan penyetelan setelah kriteria terpenuhi.

Anda dapat menggunakan SageMaker AMT algoritme bawaan, algoritme khusus, atau wadah SageMaker pra-bangun untuk kerangka kerja pembelajaran mesin.

SageMaker AMTdapat menggunakan instans Amazon EC2 Spot untuk mengoptimalkan biaya saat menjalankan pekerjaan pelatihan. Untuk informasi selengkapnya, lihat Gunakan Pelatihan Spot Terkelola di Amazon SageMaker.

Sebelum Anda mulai menggunakan tuning hyperparameter, Anda harus memiliki masalah pembelajaran mesin yang terdefinisi dengan baik, termasuk yang berikut ini:

Siapkan dataset dan algoritme Anda sehingga mereka bekerja SageMaker dan berhasil menjalankan pekerjaan pelatihan setidaknya sekali. Untuk informasi tentang menyiapkan dan menjalankan pekerjaan pelatihan, lihatPanduan untuk mengatur dengan Amazon SageMaker.