一位機器學習專家針對學習率範圍執行了 SageMaker 超參數優化 (HPO)。大多數試驗使用的學習率介於 0.01 到 0.1 之間，但最佳試驗的學習率低於 0.01。訓練任務將定期在變動的資料上執行。該專家希望採用一種方法，能夠在指定的 MinValue–MaxValue 範圍內更均勻地取樣學習率。哪種選擇是最準確的解決方案？

正確答案是修改 HPO 配置，因為它直接解決了問題中提到的「更均勻地取樣學習率」的需求。當最佳試驗的學習率低於大多數試驗的範圍時，這表示目前的取樣空間可能不夠廣泛或不夠精細。調整 HPO 配置，例如擴大搜索範圍或更改採樣策略（例如從對數均勻分佈中採樣），可以讓 HPO 在更廣泛的學習率範圍內進行探索，從而找到更優的解。 其他選項不夠準確： 「從此 HPO 任務中選擇最準確的超參數配置」和「從此訓練任務中選擇最準確的超參數配置」這兩個選項是重複的，且沒有提供具體的解決方案來改善取樣。 執行多個獨立的 HPO 任務或將訓練試驗分配給多個任務，雖然可能找到更好的結果，但效率較低，且沒有直接解決單一 HPO 任務內取樣不均勻的問題。最佳實踐是調整單一 HPO 任務的配置，使其能夠有效地探索整個超參數空間。