Construcción de un estimador XGBoost de SageMaker AI con la regla de informes XGBoost del depurador - Amazon SageMaker AI

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Construcción de un estimador XGBoost de SageMaker AI con la regla de informes XGBoost del depurador

La regla CreateXgboostReport recopila los siguientes tensores de salida de su trabajo de entrenamiento:

  • hyperparameters: se guarda en el primer paso.

  • metrics: ahorra pérdidas y precisión cada 5 pasos.

  • feature_importance: se guarda cada 5 pasos.

  • predictions: se guarda cada 5 pasos.

  • labels: se guarda cada 5 pasos.

Los tensores de salida se guardan en un bucket S3 predeterminado. Por ejemplo, s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/.

Cuando construya un estimador de SageMaker AI para un trabajo de entrenamiento de XGBoost, especifique la regla tal y como se muestra en el siguiente código de ejemplo.

Using the SageMaker AI generic estimator
import boto3
import sagemaker
from sagemaker.estimator import Estimator
from sagemaker import image_uris
from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.create_xgboost_report())
]

region = boto3.Session().region_name
xgboost_container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")

estimator=Estimator(
    role=sagemaker.get_execution_role()
    image_uri=xgboost_container,
    base_job_name="debugger-xgboost-report-demo",
    instance_count=1,
    instance_type="ml.m5.2xlarge",
    
    # Add the Debugger XGBoost report rule
    rules=rules
)

estimator.fit(wait=False)