AdMarketInc 在單一 p3.16xlarge 上執行推薦模型訓練，每次試驗大約需要 12 小時。他們預算嚴格，最多只能執行大約 20 次完整的訓練試驗。模型評估的雜訊中等，但每次試驗都很昂貴。他們應該選擇哪種 SageMaker 自動模型調校策略，才能在有限的試驗預算內最有效地找到接近最佳的超參數配置？

貝氏最佳化策略透過建立目標函數的機率模型，並利用此模型選擇最有潛力的超參數組合進行下一次評估，因此在有限預算和昂貴試驗情境下，其樣本效率最高。這種方法能更快地收斂到接近最佳的配置，特別適合AdMarketInc的20次試驗限制。隨機搜尋雖然比網格搜尋效率高，但在昂貴試驗中通常不如貝氏最佳化。HyperBand主要用於加速訓練時間較短的模型，透過早期停止不具潛力的試驗，但對於每次訓練都耗時12小時的場景，其優勢不明顯，且不能保證找到全域最佳解。網格搜尋會窮舉所有組合，在試驗次數有限且每次試驗成本高昂的情況下，效率極低，無法在20次試驗內探索足夠的超參數空間。