Trainingsmethode auswählen

In diesem Abschnitt werden die wichtigsten Unterschiede zwischen AutoML und benutzerdefiniertem Training erläutert, damit Sie entscheiden können, welche die richtige Option für Sie ist.

Mit AutoML können Sie ein Modell mit minimalem technischen Aufwand erstellen und trainieren. Auch wenn Sie die Flexibilität einer benutzerdefinierten Trainingsanwendung wünschen, können Sie AutoML verwenden, um schnell Modelle zu erstellen und neue Datasets zu untersuchen, bevor Sie in die Entwicklung investieren. Sie können damit beispielsweise lernen, welche Features in einem Dataset gut sind.

Mit dem benutzerdefinierten Training können Sie eine Trainingsanwendung erstellen, die für Ihr anvisiertes Ziel optimiert ist. Sie haben die volle Kontrolle über die Funktionalität der Trainingsanwendung; Sie können ein beliebiges Ziel festlegen, einen beliebigen Algorithmus verwenden, Ihre eigenen Verlustfunktionen oder Messwerte entwickeln oder andere Anpassungen vornehmen.

Verwenden Sie die folgende Tabelle, um die Funktionen von AutoML und benutzerdefinierten Trainings schnell zu vergleichen.

AutoML Benutzerdefiniertes Training
Benötigte Data-Science-Kenntnisse Nein Ja, um die Trainingsanwendung zu entwickeln und auch, um einen Teil der Datenvorbereitung wie Feature Engineering durchzuführen.
Programmierkenntnisse erforderlich Nein, AutoML ist codelos. Ja, um die Trainingsanwendung zu entwickeln.
Zeit bis zum trainierten Modell Weniger. Es ist weniger Datenvorbereitung erforderlich und es ist keine Entwicklung erforderlich. Höher. Mehr Datenvorbereitung ist erforderlich und die Entwicklung von Trainingsanwendungen ist erforderlich.
Limits für Ziele beim maschinellen Lernen Ja, Sie müssen eines der vordefinierten AutoML-Ziele festlegen. Nein
Kann die Modellleistung manuell mit Hyperparameter-Abstimmung optimieren Nein. AutoML führt Schritte einer automatischen Hyperparameter-Abstimmung aus, aber Sie können die verwendeten Werte nicht ändern. Ja. Sie können das Modell während jedes Trainingslaufs zum Experimentieren und Vergleichen optimieren.
Kann Aspekte der Trainingsumgebung steuern Begrenzt. Bei Image- und tabellarischen Datasets können Sie die Anzahl der Knotenstunden für das Training angeben und ob die vorzeitige Beendigung des Trainings erlaubt werden soll. Ja. Sie können Aspekte der Umgebung angeben, z. B. den Compute Engine-Maschinentyp, die Laufwerksgröße, das Framework für maschinelles Lernen und die Anzahl der Knoten.
Beschränkungen für die Datengröße

Ja. AutoML verwendet verwaltete Datasets. Die Größenbeschränkungen für Daten variieren je nach Art des Datasets. Weitere Informationen finden Sie unter einem der folgenden Themen:

Nicht für verwaltete Datasets. Verwaltete Datasets haben dieselben Limits wie Vertex AI-Datasets, die zum Trainieren von AutoML-Modellen verwendet werden.

Nächste Schritte