AdMarketInc, tek bir p3.16xlarge üzerinde deneme başına yaklaşık 12 saat süren bir öneri modeli eğitimi çalıştırmaktadır. Katı bir bütçeleri var ve en fazla yaklaşık 20 tam eğitim denemesi yapabilirler. Model değerlendirmeleri orta derecede gürültülü ancak her deneme pahalıdır. Sınırlı deneme bütçeleri dahilinde en verimli şekilde optimuma yakın bir hiperparametre yapılandırması bulmak için hangi SageMaker Automatic Model Tuning stratejisini seçmelidirler?

Bayes optimizasyonu, pahalı ve gürültülü değerlendirmeler için en uygun stratejidir çünkü hedef fonksiyonun (model performansının) olasılıksal bir modelini oluşturur. Bu model, bir sonraki denenecek en umut vadeden hiperparametre kombinasyonlarını seçmek için kullanılır, böylece gereksiz denemelerden kaçınılır ve sınırlı bir bütçeyle optimuma yakın bir çözüm daha örneklem-verimli bir şekilde bulunur. Rastgele arama, Bayes optimizasyonundan daha az örneklem-verimli olabilir. HyperBand, erken durdurma için iyidir ancak Bayes optimizasyonunun örneklem verimliliğine sahip değildir. Izgara araması, tüm kombinasyonları denediği için sınırlı deneme bütçeleri için çok maliyetli ve verimsizdir.