Penyetelan model otomatis dengan SageMaker AI

Amazon SageMaker AI automatic model tuning (AMT) menemukan versi model terbaik dengan menjalankan banyak pekerjaan pelatihan pada dataset Anda. Amazon SageMaker AI automatic model tuning (AMT) juga dikenal sebagai penyetelan hyperparameter. Untuk melakukan ini, AMT menggunakan algoritma dan rentang hyperparameter 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 kurva (AUC) metrik algoritma dengan melatih Algoritma XGBoost dengan Amazon AI SageMaker model. Anda ingin menemukan nilai mana untuketa,, alphamin_child_weight, dan max_depth hyperparameter yang akan melatih model terbaik. Tentukan rentang nilai untuk hyperparameter ini. Kemudian, penyetelan hyperparameter SageMaker AI mencari dalam rentang untuk menemukan kombinasi yang menciptakan pekerjaan pelatihan yang menciptakan model dengan AUC tertinggi. Untuk menghemat sumber daya atau memenuhi harapan kualitas model tertentu, atur kriteria penyelesaian untuk menghentikan penyetelan setelah kriteria terpenuhi.

Anda dapat menggunakan SageMaker AI AMT dengan algoritma bawaan, algoritma khusus, atau wadah pra-buatan SageMaker AI untuk kerangka kerja pembelajaran mesin.

SageMaker AI AMT dapat menggunakan instans Amazon EC2 Spot untuk mengoptimalkan biaya saat menjalankan tugas pelatihan. Untuk informasi selengkapnya, lihat Pelatihan Spot Terkelola di Amazon SageMaker AI.

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

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