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。

# 示例：超参数调优作业
<a name="automatic-model-tuning-ex"></a>

此示例显示了如何创建新的笔记本用于配置和启动超参数调优作业。调优作业使用 [XGBoost 使用 Amazon A SageMaker I 的算法](xgboost.md) 来训练模型，预测在通过电话联系客户之后，该客户是否会在银行注册定期存款。

您可以使用适用于 Python 的低级 SDK (Boto3) 来配置和启动超参数调整作业，并使用来监控超参数调整作业 AWS 管理控制台 的状态。您还可以使用 Amazon A SageMaker I 高级别 A [maz SageMaker on Python 软件开发工具包](https://sagemaker.readthedocs.io/en/stable)来配置、运行、监控和分析超参数调整任务。有关更多信息，请参阅 [https://github.com/aws/sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk)。

## 先决条件
<a name="automatic-model-tuning-ex-prereq"></a>

要运行此示例中的代码，您需要
+ [一个 AWS 账户和一个管理员用户](gs-set-up.md)
+ Amazon S3 存储桶，用于存储训练数据集以及在训练期间创建的模型构件
+ [正在运行的 A SageMaker I 笔记本实例](gs-setup-working-env.md)

**Topics**
+ [先决条件](#automatic-model-tuning-ex-prereq)
+ [创建笔记本实例](automatic-model-tuning-ex-notebook.md)
+ [获取 Amazon SageMaker AI Boto 3 客户端](automatic-model-tuning-ex-client.md)
+ [获取 A SageMaker I 执行角色](automatic-model-tuning-ex-role.md)
+ [将 Amazon S3 存储桶用于输入和输出](automatic-model-tuning-ex-bucket.md)
+ [下载、准备和上传训练数据](automatic-model-tuning-ex-data.md)
+ [配置并启动超参数调优作业](automatic-model-tuning-ex-tuning-job.md)
+ [清理](automatic-model-tuning-ex-cleanup.md)