Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Esegui l'ottimizzazione automatica del modello con SageMaker
Amazon SageMaker Automatic Model Tuning (AMT) trova la versione migliore di un modello eseguendo molti processi di formazione sul tuo set di dati. L'ottimizzazione SageMaker automatica dei modelli di Amazon (AMT) è anche nota come ottimizzazione degli iperparametri. A tale scopo, AMT utilizza l'algoritmo e gli intervalli di iperparametri specificati dall'utente. Quindi sceglie i valori iperparametri presenti in un modello che crea la performance migliore, misurata in base a un parametro scelto.
Ad esempio, l'esecuzione di un problema di classificazione binaria su un set di dati di marketing. Il tuo obiettivo è massimizzare il parametro area sotto la curva (AUC) dell'algoritmo, eseguendo l’addestramento di un modello Usa l'algoritmo XGBoost con Amazon SageMaker. Vuoi trovare quali dei valori di iperparametri eta
, alpha
, min_child_weight
e max_depth
effettueranno l’addestramento migliore per il modello. Specifica un intervallo di valori per questi iperparametri. Quindi, SageMaker l'ottimizzazione degli iperparametri esegue ricerche all'interno degli intervalli per trovare una combinazione che crei un processo di formazione che crei un modello con l'AUC più elevato. Per risparmiare risorse o soddisfare una specifica aspettativa di qualità del modello, impostate i criteri di completamento per interrompere l'ottimizzazione dopo che i criteri sono stati soddisfatti.
È possibile utilizzare SageMaker AMT con algoritmi integrati, algoritmi personalizzati o contenitori SageMaker predefiniti per framework di apprendimento automatico.
SageMaker AMT può utilizzare un'istanza Spot di Amazon EC2 per ottimizzare i costi durante l'esecuzione di lavori di formazione. Per ulteriori informazioni, consulta Usa la formazione Spot gestita su Amazon SageMaker.
Prima di iniziare a utilizzare l'ottimizzazione degli iperparametri, il problema di Machine Learning deve essere ben definito, inclusi questi aspetti:
-
Un set di dati
-
Conoscenza del tipo di algoritmo di cui eseguire l’addestramento
-
Una chiara comprensione di come quantificare il successo
Prepara il set di dati e l'algoritmo in modo che funzionino SageMaker ed eseguano correttamente un processo di formazione almeno una volta. Per ulteriori informazioni sulla configurazione e l'esecuzione di un processo di addestramento, consulta Guida alla configurazione con Amazon SageMaker.
Argomenti
- Come funziona l'ottimizzazione degli iperparametri con Amazon SageMaker
- Definisci parametri e variabili di ambiente
- Definire gli intervalli degli iperparametri
- Monitora e imposta i criteri di completamento del tuo processo di ottimizzazione
- Ottimizza più algoritmi con l'ottimizzazione degli iperparametri per trovare il modello migliore
- Esempio: processo di ottimizzazione degli iperparametri
- Interrompere in anticipo i processi di addestramento
- Eseguire un processo di ottimizzazione degli iperparametri con avvio a caldo
- Limiti delle risorse di ottimizzazione automatica dei modelli
- Best practice per l'ottimizzazione iperparametri