Streamline your ML training wo…

# AWS SageMaker 二分类模型训练全流程指南

一、前期准备

• 数据上传：将CSV上传至S3桶（如 s3://your-bucket/churn-data/），建议拆分train/validation两个文件（8:2）
• IAM角色：创建执行角色，授权SageMaker访问S3和CloudWatch

二、方案选型（推荐二选一）

方案A：SageMaker Autopilot（最省事）

• 创建AutoML作业，指定目标列为流失标签（0/1）
• 自动完成特征工程、算法选择、多组超参搜索
• 输出模型排行榜，含AUC等指标，可直接部署最优模型

方案B：SageMaker内置XGBoost + 超参调优（HPO，更可控）

1. 训练脚本要点

• 使用内置XGBoost镜像，objective设为 binary:logistic
• eval_metric设为 auc

2. 创建HyperparameterTuningJob

```python

tuner = HyperparameterTuner(

estimator=xgb_estimator,

objective_metric_name='validation:auc',

hyperparameter_ranges={

'max_depth': IntegerParameter(3, 10),

'eta': ContinuousParameter(0.01, 0.3),

'min_child_weight': IntegerParameter(1, 10),

'subsample': ContinuousParameter(0.5, 1.0),

'num_round': IntegerParameter(50, 500),

},

max_jobs=10, # 共10组实验

max_parallel_jobs=2, # 并行度按预算调整

strategy='Bayesian' # 贝叶斯搜索，比随机搜索更高效

)

tuner.fit({'train': train_s3, 'validation': val_s3})

```

三、对比AUC实验结果

• 调优完成后，在SageMaker控制台 → Hyperparameter tuning jobs 查看排序
• 也可通过API获取：

```python

import boto3

sm = boto3.client('sagemaker')

results = sm.describe_hyper_parameter_tuning_job(

HyperParameterTuningJobName='your-job')

# BestTrainingJob 字段给出最优组合

```

• 用pandas整理各任务的 FinalObjectiveValue（即AUC），输出对比表

四、部署与后续建议

• 最优模型可一键部署为实时endpoint或批量转换任务
• 成本控制建议：5万条数据量不大，用 ml.m5.xlarge 或更小实例即可；训练结束及时删除endpoint
• 若需更强可解释性，可补充SHAP分析识别流失关键特征

五、注意事项

• 标签不平衡时关注PR-AUC而非仅ROC-AUC
• 敏感数据注意加密（S3 SSE + KMS）

按以上流程，从上传数据到拿到10组AUC对比，通常半天内可完成。