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.

# Ajuste automático do modelo com SageMaker IA
<a name="automatic-model-tuning"></a>

O ajuste automático de modelos (AMT) da Amazon SageMaker AI encontra a melhor versão de um modelo executando vários trabalhos de treinamento em seu conjunto de dados. O ajuste automático de modelos (AMT) da Amazon SageMaker AI também é conhecido como ajuste de hiperparâmetros. Para fazer isso, o 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](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#binary-classification-model)* em um conjunto de dados de marketing. Seu objetivo é maximizar a métrica de *[área sob a curva (AUC)](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#AUC)* do algoritmo, treinando um modelo [XGBoost algoritmo com Amazon SageMaker AI](xgboost.md). 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 hiperparâmetros de SageMaker IA pesquisa dentro dos intervalos para encontrar uma combinação que crie um trabalho de treinamento que crie um modelo com a maior AUC. Para conservar recursos ou atender a uma expectativa específica de qualidade do modelo, você também pode configurar critérios de conclusão para interromper o ajuste após os critérios serem atendidos.

Você pode usar o SageMaker AI AMT com algoritmos integrados, algoritmos personalizados ou contêineres pré-criados de SageMaker IA para estruturas de aprendizado de máquina.

SageMaker A AI AMT pode usar uma instância spot do Amazon EC2 para otimizar custos ao executar trabalhos de treinamento. Para obter mais informações, consulte [Treinamento de spot gerenciado no Amazon SageMaker AI](model-managed-spot-training.md).

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 em SageMaker IA 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 o Amazon SageMaker AI](gs.md).

**Topics**
+ [Entenda as estratégias de ajuste de hiperparâmetros disponíveis na Amazon AI SageMaker](automatic-model-tuning-how-it-works.md)
+ [Defina métricas e variáveis de ambiente](automatic-model-tuning-define-metrics-variables.md)
+ [Definir intervalos de hiperparâmetros](automatic-model-tuning-define-ranges.md)
+ [Acompanhe e defina critérios de conclusão para seu trabalho de ajuste](automatic-model-tuning-progress.md)
+ [Ajustar vários algoritmos com otimização de hiperparâmetros para encontrar o melhor modelo](multiple-algorithm-hpo.md)
+ [Exemplo: trabalho de ajuste de hiperparâmetros](automatic-model-tuning-ex.md)
+ [Interromper trabalhos de treinamento precocemente](automatic-model-tuning-early-stopping.md)
+ [Executar um trabalho de ajuste de hiperparâmetros de inicialização a quente](automatic-model-tuning-warm-start.md)
+ [Limites de recursos de ajuste automático de modelos](automatic-model-tuning-limits.md)
+ [Práticas recomendadas para o ajuste de hiperparâmetros](automatic-model-tuning-considerations.md)