Uno specialista di ML ha eseguito l'ottimizzazione degli iperparametri (HPO) di SageMaker su un intervallo di learning rate. La maggior parte dei trial ha utilizzato learning rate compresi tra 0,01 e 0,1, ma il miglior trial ha avuto un learning rate inferiore a 0,01. I training job verranno eseguiti regolarmente su dati mutevoli. Lo specialista desidera un approccio che campioni i learning rate in modo più uniforme nell'intervallo MinValue-MaxValue specificato. Qual è la soluzione più accurata?

La risposta corretta è "Modificare la configurazione HPO in: Selezionare la configurazione di iperparametri più accurata da questo training job." Questa opzione è la più accurata perché, dato che il miglior learning rate è risultato essere inferiore a 0,01, l'intervallo iniziale [0,01, 0,1] non ha esplorato sufficientemente i valori più bassi. Per campionare i learning rate in modo più uniforme nell'intervallo desiderato, è necessario estendere l'intervallo di ricerca verso valori più piccoli. Le altre opzioni suggeriscono di eseguire più job HPO separati o di suddividere i trial, il che è meno efficiente e non garantisce una copertura uniforme dell'intervallo esteso in un singolo job HPO ottimizzato. La modifica della configurazione HPO per includere un intervallo più ampio e appropriato (ad esempio, da 0,0001 a 0,1) permetterebbe a SageMaker HPO di esplorare in modo più efficace e uniforme i learning rate, identificando il valore ottimale.