As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Execute o ajuste automático do modelo com SageMaker
O ajuste SageMaker automático de modelos (AMT) da Amazon encontra a melhor versão de um modelo executando vários trabalhos de treinamento em seu conjunto de dados. O ajuste SageMaker automático de modelos da Amazon (AMT) também é conhecido como ajuste de hiperparâmetros. Para fazer isso, AMT usa o algoritmo e os intervalos de hiperparâmetros que você especifica. Em seguida, escolhe os valores dos hiperparâmetros que criam um modelo que apresenta o melhor desempenho, conforme medido por uma métrica que você escolhe.
Por exemplo, executar um problema de classificação binária em um conjunto de dados de marketing. Seu objetivo é maximizar a área sob a métrica curve (AUC) do algoritmo treinando um Use o algoritmo XGBoost com a Amazon SageMaker modelo. Você deseja encontrar os valores ideais para os hiperparâmetros eta
, alpha
, min_child_weight
e max_depth
que treinarão o melhor modelo. Especifique uma faixa de valores para esses hiperparâmetros. Em seguida, o ajuste de SageMaker hiperparâmetros pesquisa dentro dos intervalos para encontrar uma combinação que crie um trabalho de treinamento que crie um modelo com a mais altaAUC. Para conservar recursos ou atender a uma expectativa específica de qualidade do modelo, configure critérios de conclusão para interromper o ajuste depois que os critérios forem atendidos.
Você pode usar SageMaker AMT com algoritmos integrados, algoritmos personalizados ou contêineres SageMaker pré-criados para estruturas de aprendizado de máquina.
SageMaker AMTpode usar uma instância Amazon EC2 Spot para otimizar custos ao executar trabalhos de treinamento. Para obter mais informações, consulte Use o treinamento local gerenciado na Amazon SageMaker.
Antes de começar a usar o ajuste de hiperparâmetros, você deve ter um problema de machine learning bem definido, incluindo o seguinte:
-
Um conjunto de dados
-
Compreensão do tipo de algoritmo que você precisa treinar
-
Um claro entendimento de como medir o sucesso
Prepare seu conjunto de dados e algoritmo para que eles funcionem SageMaker e executem com sucesso um trabalho de treinamento pelo menos uma vez. Para obter informações sobre a configuração e a execução de um trabalho de treinamento, consulte Guia para se configurar com a Amazon SageMaker.
Tópicos
- Como funciona o ajuste de hiperparâmetros com a Amazon SageMaker
- Defina métricas e variáveis de ambiente
- Definir intervalos de hiperparâmetros
- Acompanhe e defina critérios de conclusão para seu trabalho de ajuste
- Ajustar vários algoritmos com otimização de hiperparâmetros para encontrar o melhor modelo
- Exemplo: trabalho de ajuste de hiperparâmetros
- Interromper trabalhos de treinamento precocemente
- Executar um trabalho de ajuste de hiperparâmetros de inicialização a quente
- Limites de recursos de ajuste automático de modelos
- Práticas recomendadas para o ajuste de hiperparâmetros