Un especialista en ML ejecutó la optimización de hiperparámetros (HPO) de SageMaker en un rango de tasas de aprendizaje. La mayoría de las pruebas utilizaron tasas de aprendizaje entre 0.01 y 0.1, pero la mejor prueba tuvo una tasa de aprendizaje inferior a 0.01. Los trabajos de entrenamiento se ejecutarán regularmente sobre datos cambiantes. El especialista quiere un enfoque que muestree las tasas de aprendizaje de manera más uniforme en el rango MinValue–MaxValue especificado. ¿Qué opción es la solución más precisa?

La opción correcta es modificar la configuración de HPO para usar una escala logarítmica para el rango de la tasa de aprendizaje. Cuando se usa una escala logarítmica, SageMaker HPO muestrea los valores de manera más uniforme en el rango especificado, lo que es crucial cuando se buscan tasas de aprendizaje óptimas que a menudo varían en órdenes de magnitud. Esto permite explorar eficazmente tanto valores pequeños como grandes dentro del rango MinValue-MaxValue. Las otras opciones sugieren ejecutar múltiples trabajos de HPO con rangos estrechos o seleccionar configuraciones de trabajos específicos, lo cual es menos eficiente y no aborda el problema subyacente de muestreo desigual en un rango amplio.