一位机器学习专家对学习率范围运行了 SageMaker 超参数优化 (HPO)。大多数试验使用的学习率介于 0.01 和 0.1 之间，但最佳试验的学习率低于 0.01。训练作业将定期在不断变化的数据上运行。该专家希望采用一种方法，使其在指定的 MinValue–MaxValue 范围内更均匀地采样学习率。哪种选择是最准确的解决方案？

此选项直接解决了问题中描述的采样不均匀问题。通过将学习率的缩放类型从默认的对数缩放（Logarithmic）更改为线性缩放（Linear），SageMaker HPO 将在指定的 MinValue 和 MaxValue 之间更均匀地采样学习率，而不是偏向较小的值。这确保了在整个范围内对学习率进行更全面的探索，从而找到最优解。 其他选项不准确的原因： 选项一和选项三是重复的，且没有提供具体的解决方案。 选项二和选项四建议运行多个独立的 HPO 作业，这会增加复杂性、时间和成本，并且可能无法有效解决根本的采样不均匀问题。如果原始范围内的采样不均匀是由于默认的对数缩放，那么简单地划分范围并运行多个作业可能仍然会遇到类似的问题，或者需要更多的试验才能找到最佳值。