使用 SageMaker AI 執行自動模型調校

Amazon SageMaker AI 自動模型調校 (AMT) 會透過在您的資料集上執行許多訓練任務，來尋找最佳版本的模型。Amazon SageMaker AI 自動模型調校 (AMT)，也稱為超參數調校。為此，AMT 會使用您指定的演算法和超參數範圍。它接著會根據您選擇的指標，選擇可讓模型取得最佳執行結果的超參數值。

例如，在行銷資料集上執行二進制分類問題。您的目標是透過訓練 XGBoost 演算法搭配 Amazon SageMaker AI 模型，將演算法曲線指標下的面積 (AUC) 最大化。建議您尋找可訓練最佳模型的 eta、alpha、min_child_weight 和 max_depth 超參數值。指定這些超參數值的範圍。接著，SageMaker AI 超參數調校會在範圍內搜尋，找出可建立 AUC 最高之模型的訓練任務組合。如要節省資源或符合特定模型品質的期望，請設定完成標準，以便在符合條件後停止調校。

針對機器學習架構，您可以搭配使用 SageMaker AI AMT 與內建演算法、自訂演算法或 SageMaker AI 預先建置的容器。

SageMaker AI AMT 可以使用 Amazon EC2 Spot 執行個體在執行訓練任務時最佳化成本。如需詳細資訊，請參閱Amazon SageMaker AI 中的受管 Spot 訓練。

開始使用超參數調校之前，您應該擁有明確定義的機器學習問題，包括：

請備妥您的資料集和演算法，使其能在 SageMaker AI 中運作，並成功執行訓練任務至少一次。如需設定和執行訓練任務的詳細資訊，請參閱使用 Amazon SageMaker AI 進行設定的指南。