翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

の使用方法 SageMaker XGBoost

では SageMaker、 を組み込みアルゴリズムまたはフレームワークXGBoostとして使用できます。フレームワークXGBoostとして、独自のトレーニングスクリプトをカスタマイズできるため、より柔軟性が高く、より高度なシナリオにアクセスできます。以下のセクションでは、 を SageMaker Python とSDKアルゴリズムの入出力インターフェイスXGBoostで使用する方法について説明しますXGBoost。Amazon SageMaker Studio Classic UI XGBoostから を使用する方法については、「」を参照してくださいSageMaker JumpStart 事前トレーニング済みモデル。

フレームワークXGBoostとして使用する

をフレームワークXGBoostとして使用して、追加のデータ処理をトレーニングジョブに組み込むことができるカスタマイズされたトレーニングスクリプトを実行します。次のコード例では、 SageMaker Python は をフレームワークXGBoostAPIとしてSDK提供します。これは、 が APIs、、 TensorFlow MXNetなどの他のフレームワーク SageMaker を提供する と同様に機能します PyTorch。

import boto3
import sagemaker
from sagemaker.xgboost.estimator import XGBoost
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "verbosity":"1",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-framework'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-framework')

# construct a SageMaker XGBoost estimator
# specify the entry_point to your xgboost training script
estimator = XGBoost(entry_point = "your_xgboost_abalone_script.py", 
                    framework_version='1.7-1',
                    hyperparameters=hyperparameters,
                    role=sagemaker.get_execution_role(),
                    instance_count=1,
                    instance_type='ml.m5.2xlarge',
                    output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

をフレームワークとして使用する例 end-to-end SageMaker XGBoostについては、「Amazon での回帰 SageMaker XGBoost」を参照してください。

組み込みアルゴリズムXGBoostとして を使用する

次のコード例に示すように、XGBoost組み込みアルゴリズムを使用してXGBoostトレーニングコンテナを構築します。URI を使用してXGBoost SageMaker image_uris.retrieve、組み込みアルゴリズムイメージを自動的に検出できますAPI。Amazon SageMaker Python SDKバージョン 1 を使用している場合は、 get_image_uri を使用しますAPI。が正しい image_uris.retrieveAPIを見つけるにはURI、組み込みアルゴリズムの共通パラメータを参照してください。次にxgboost、組み込みアルゴリズムイメージURIsと使用可能なリージョンの完全なリストから検索します。

XGBoost イメージ を指定したらURI、XGBoostコンテナを使用して推定器を使用して SageMaker 推定器を構築しAPI、トレーニングジョブを開始します。このXGBoost組み込みアルゴリズムモードには独自のXGBoostトレーニングスクリプトが組み込まれておらず、入力データセットで直接実行されます。

import sagemaker
import boto3
from sagemaker import image_uris
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-built-in-algo'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-built-in-algo')

# this line automatically looks for the XGBoost image URI and builds an XGBoost container.
# specify the repo_version depending on your preference.
xgboost_container = sagemaker.image_uris.retrieve("xgboost", region, "1.7-1")

# construct a SageMaker estimator that calls the xgboost-container
estimator = sagemaker.estimator.Estimator(image_uri=xgboost_container, 
                                          hyperparameters=hyperparameters,
                                          role=sagemaker.get_execution_role(),
                                          instance_count=1, 
                                          instance_type='ml.m5.2xlarge', 
                                          volume_size=5, # 5 GB 
                                          output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

を組み込みアルゴリズムXGBoostとしてセットアップする方法の詳細については、次のノートブックの例を参照してください。

XGBoost アルゴリズムの入力/出力インターフェイス

勾配ブースティングは表形式のデータで動作し、行が観測値、1 つの列がターゲット変数またはラベル、残りの列が特徴を表します。

の SageMaker 実装では、トレーニングと推論のために次のデータ形式XGBoostがサポートされています。

CSV トレーニング入力モードでは、アルゴリズムで使用できる合計メモリがトレーニングデータセットを保持できる必要があります。使用可能な合計メモリは として計算されますInstance Count * the memory available in the InstanceType。libsvm トレーニング入力モードの場合、これは必須ではありませんが推奨されます。

v1.3-1 以降では、 SageMaker XGBoostは を使用してXGBoost内部バイナリ形式でモデルを保存しますBooster.save_model。以前のバージョンでは、モデルのシリアル化/逆シリアル化に Python の pickle モジュールを使用していました。