本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
使用执行自动模型调整 SageMaker
Amazon SageMaker 自动模型调整 (AMT) 通过在您的数据集中运行许多训练作业来找到模型的最佳版本。Amazon SageMaker 自动模型调整 (AMT) 也称为超参数调整。为此,请AMT使用您指定的算法和超参数范围。然后,选择超参数值创建性能最佳的模型(按照您选择的指标衡量)。
例如,在营销数据集中运行二进制分类问题。您的目标是通过训练在亚马逊上使用 xgBoost 算法 SageMaker模型来最大化算法的曲线 (AUC) 指标下方的面积。您希望找出 eta
、alpha
、min_child_weight
和 max_depth
超参数的哪些值可以训练出最佳模型。为这些超参数指定值的范围。然后, SageMaker 超参数调整在范围内搜索以找到一种组合,该组合可以创建具有最高AUC值的模型的训练作业。要节省资源或满足特定的模型质量预期,请设置完成标准,以便在满足标准后停止调整。
您可以 SageMaker AMT与内置算法、自定义算法或机器学习框架的 SageMaker 预建容器一起使用。
SageMaker AMT可以在运行训练作业时使用 Amazon EC2 Spot 实例来优化成本。有关更多信息,请参阅 在 Amazon 中使用托管竞技训练 SageMaker。
在开始使用超参数调优之前,您应该已经具有明确定义的机器学习问题,包括下列内容:
-
数据集
-
了解需要训练的算法类型
-
明确了解如何衡量成功
准备好您的数据集和算法,以便它们在训练作业中工作 SageMaker 并成功运行至少一次。有关设置和运行训练作业的信息,请参阅Amazon 入门指南 SageMaker。