如何在 Sagemaker Scikit Learn 容器上进行超参数调优？答案

【问题标题】：How to do hyperparameter tuning on Sagemaker Scikit Learn container?如何在 Sagemaker Scikit Learn 容器上进行超参数调优？
【发布时间】：2020-03-16 18:13:46
【问题描述】：

我正在尝试关注和修改this notebook 以合并超参数调整，而不是简单地构建随机森林模型。但我无法理解如何做到这一点。我的第一个问题是：超参数设置在两个单元格中-首先在单元格中写入$SCRIPT_FILENAME，其中n_estimators 和min_samples_leaf 分别设置为10 和3，然后再次在定义launch_training_job() 的单元格中它们分别设置为 100 和 3。为什么它们被定义两次？当我运行代码时，n_estimators 似乎使用了 100，那么将其定义为 10 的意义何在？

第二个问题，从post 看来，有一种方法可以进行自动模型调整。但我没有看到如何做到这一点的例子。有人可以分享或启发我将超参数调整纳入 SageMaker Scikit Learn 容器的方法吗？

【问题讨论】：

标签： scikit-learn amazon-sagemaker

【解决方案1】：

HPO 是 SageMaker 中的一项通用功能，无论您使用什么算法或框架，它的工作原理都是一样的。这里有很多例子：https://github.com/awslabs/amazon-sagemaker-examples/tree/master/hyperparameter_tuning

【讨论】：