AdMarketInc 在单个 p3.16xlarge 实例上运行推荐模型训练，每次试验大约需要 12 小时。他们预算严格，最多只能运行大约 20 次完整的训练试验。模型评估的噪声中等，但每次试验的成本很高。他们应该选择哪种 SageMaker Automatic Model Tuning 策略，才能在有限的试验预算内最有效地找到接近最优的超参数配置？

贝叶斯优化策略（默认的 'Bayesian' 调优器）是最佳选择，因为它通过构建目标函数的概率模型，并优先探索那些最有希望改进模型性能的超参数组合，从而在有限的试验次数内高效地找到接近最优的配置。对于每次试验成本高昂且评估存在中等噪声的情况，贝叶斯优化具有更高的样本效率，能更快地收敛到好的结果。随机搜索虽然在某些情况下表现良好，但通常不如贝叶斯优化在样本效率方面表现出色，尤其是在预算有限的情况下。HyperBand 适用于资源受限的早期停止，但不能保证在固定试验次数内找到全局最优解，且其主要优势在于减少训练时间，而非在预算严格时最大化性能发现。网格搜索会尝试所有超参数组合，在试验次数有限且每次试验成本高昂的情况下，效率极低，无法在预算内完成。