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。

优化 K-Means 模型

自动模型优化（也称作超参数优化）通过运行很多在数据集上测试一系列超参数的作业来查找模型的最佳版本。您可以选择可优化超参数、每个超参数的值范围和一个目标指标。您可以从算法计算的指标中选择目标指标。自动模型优化将搜索所选超参数以找到导致优化目标指标的模型的值组合。

Amazon SageMaker k-means 算法是一种无监督算法，它将数据分组到成员尽可能相似的集群中。因为它是非自主型的，所以不使用可优化超参数的验证数据集。但是，它确实接受测试数据集并发出指标，这些指标取决于每次训练结束时数据点与最终聚类中心之间的距离平方值。要找到报告有关测试数据集的最紧密聚类的模型，可以使用超参数优化作业。聚类可优化其成员的相似性。

有关模型优化的更多信息，请参阅自动调整模型 SageMaker。

K-Means 算法计算的指标

k-means 算法在训练期间计算以下指标。在优化模型时，选择这些指标之一作为目标指标。

可优化的 K-Means 超参数

使用以下超参数调整 Amazon SageMaker k-means 模型。对 k-means 目标指标影响最大的超参数为：mini_batch_size、extra_center_factor 和 init_method。优化超参数 epochs 通常会得到较小的改进。