Bir ML mühendisi, hiperparametre ayarlaması için SageMaker'da Bayesian optimizasyonunu kullandı ve precision için optimize etti. Şimdi bunun yerine recall'u optimize etmek ve önceki aralık da dahil olmak üzere bazı hiperparametreler için arama aralığını genişletmek istiyor. Yeni ayarlama işini en kısa sürede tamamlayacak yaklaşım hangisidir?

Warm-start (sıcak başlangıç) hiperparametre ayarlama işi başlatmak, önceki ayarlama işinin sonuçlarını (hiperparametre-performans ilişkileri) yeni iş için başlangıç noktası olarak kullanır. Bu, Bayesian optimizasyonunun yeni hedefe (recall) ve genişletilmiş arama aralığına daha hızlı yakınsamasını sağlar çünkü zaten değerli keşifler yapılmıştır. Checkpointing, eğitim sürecini kaydetmek içindir, hiperparametre ayarlama sürecini hızlandırmaz. Aynı random seed'i kullanmak, tekrarlanabilirlik sağlar ancak ayarlama sürecini hızlandırmaz. Birden çok işi paralel çalıştırmak, toplam süreyi kısaltabilir ancak mevcut senaryoda en verimli yöntem warm-start'tır, çünkü önceki bilgiyi doğrudan kullanır.