어제 고른 알고리즘에는 max_depth, eta, num_round 같은 손잡이가 달려 있다. 이런 하이퍼파라미터는 학습 전에 사람이 정해야 하는 값이고, 잘못 맞추면 좋은 알고리즘도 성능이 안 나온다. 문제는 조합이 수십 수백 가지라 일일이 손으로 돌려보긴 어렵다는 점이다. SageMaker **Automatic Model Tuning(AMT, 일명 Hyperparameter Tuning)**은 이 탐색을 자동화한다.
MLA-C01 시험에서 AMT는 "탐색 전략(베이지안/랜덤/그리드)", "조기 종료로 비용 절감", "워밍 스타트로 이전 결과 재사용" 키워드로 등장한다. 오늘은 탐색 전략, 튜닝 작업 구조, 비용 절감 기능이라는 세 축을 본다.
AMT는 여러 개의 학습 작업(Training Job)을 자동으로 띄워, 각기 다른 하이퍼파라미터 조합으로 학습한 뒤 **목표 지표(objective metric)**가 가장 좋은 조합을 찾아준다. 핵심 구성요소는 세 가지다.