Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Beispiel: Anzeigen einer Trainings- und Validierungskurve
<a name="train-valid-curve"></a>

Normalerweise teilen Sie die Daten, auf denen Sie Ihr Modell trainieren, in Trainings- und Validierungsdatensätze auf. Sie verwenden das Trainingsset zum Training der Modellparameter, die verwendet werden, um Voraussagen zum Trainingsdatensatz zu treffen. Anschließend testen Sie, wie gut die Voraussagen des Modells sind, indem Sie Voraussagen für das Validierungsset berechnen. Um die Leistung eines Trainingsauftrags zu analysieren, zeichnen Sie in der Regel eine Trainingskurve neben einer Validierungskurve ein. 

Ein Diagramm, das die Genauigkeit für das Trainings- und das Validierungset über einen Zeitraum hinweg anzeigt, kann Ihnen dabei helfen, die Leistung Ihres Modells zu verbessern. Wenn die Trainingsgenauigkeit beispielsweise im Laufe der Zeit immer besser wird, aber ab einem bestimmten Punkt die Validierungsgenauigkeit sich zu verschlechtern beginnt, haben Sie Ihr Modell vermutlich übermäßig angepasst. Um dieses Problem zu beheben, können Sie Anpassungen an Ihrem Modell vornehmen, wie zum Beispiel die [Regularisierung](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#regularization) erhöhen.

Für dieses Beispiel können Sie das Beispiel **I** im Abschnitt mage-classification-full-training **Beispiel-Notebooks** Ihrer SageMaker AI-Notebook-Instance verwenden. Wenn Sie keine SageMaker Notebook-Instanz haben, erstellen Sie eine, indem Sie den Anweisungen unter folgen[Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial](gs-setup-working-env.md). Wenn Sie möchten, können Sie dem Beispiel für die [End-to-End Bildklassifizierung mehrerer Klassen im Beispiel-Notizbuch](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/imageclassification_caltech/Image-classification-fulltraining.html) folgen. GitHub Sie benötigen außerdem ein Amazon-S3-Bucket zum Speichern der Trainingsdaten und der Modellausgabe.

**So lassen Sie sich Trainings- und Validierungsfehlerkurven anzeigen**

1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker](https://console.aws.amazon.com/sagemaker).

1. Wählen Sie **Notebooks** und dann **Notebook-Instances** aus.

1. Wählen Sie die Notebook-Instance aus, die Sie verwenden möchten, und klicken Sie dann auf **Open (Öffnen)**.

1. **Wählen Sie im Dashboard für Ihre Notebook-Instanz die Option SageMaker AI Examples aus.**

1. Erweitern Sie den Abschnitt **Einführung in Amazon-Algorithmen** und wählen Sie dann **Use** neben **I mage-classification-fulltraining .ipynb** aus.

1. **Wählen Sie Kopie erstellen.** SageMaker AI erstellt eine bearbeitbare Kopie des **I mage-classification-fulltraining .ipynb-Notebooks** in Ihrer Notebook-Instanz.

1. Führen Sie alle Zellen im Notebook bis zum Abschnitt **Inferenz** aus. Sie müssen für dieses Beispiel keinen Endpunkt bereitstellen oder Inferenzen abrufen.

1. [Öffnen Sie nach dem Start des Trainingsjobs die Konsole unter /cloudwatch. CloudWatch https://console.aws.amazon.com](https://console.aws.amazon.com/cloudwatch)

1. **Wählen Sie **Metriken** und anschließend/aus. aws/sagemaker/TrainingJobs**

1. Wählen Sie **TrainingJobName**.

1. Wählen Sie in der Registerkarte **All metrics (Alle Metriken)** die Metriken **train:accuracy** und **validation:accuracy** für den von Ihnen im Notebook angelegten Trainingsauftrag aus.

1. Wählen Sie im Diagramm einen Bereich aus, in dem die Werte der Metrik vergrößert werden sollen. Dies sollte etwa wie folgt aussehen.  
![Vergrößerter Bereich im Diagramm](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/train-valid-acc.png)