La manera de preparar un modelo ML incluye dar un cálculo ML (es decir, el cálculo de aprendizaje) con la preparación de la información para obtener beneficios. El término modelo ML alude a la antigua rareza del modelo que se hace por el procedimiento de preparación.
La información de preparación debe contener la respuesta correcta, que se conoce como una propiedad objetivo u objetivo. El cálculo de aprendizaje descubre en la información de preparación diseños que guían la información que se atribuye al objetivo (la respuesta adecuada que hay que anticipar), y da lugar a un modelo ML que capta estos ejemplos.
Puede utilizar el modelo ML para obtener pronósticos sobre nueva información para la cual no tiene la más mínima idea sobre el objetivo. Por ejemplo, supongamos que necesitas preparar un modelo ML para prever si un correo electrónico es un spam o no. Usted le proporcionaría a Amazon ML la preparación de información que contiene mensajes para los cuales usted conoce el objetivo (es decir, un nombre que dice si un correo electrónico es un spam o no). Amazon ML prepararía un modelo de ML utilizando esta información, lo que daría lugar a un modelo que se esfuerza por prever si un nuevo correo electrónico será o no un spam
Tipos de modelos ML
Amazon ML refuerza tres tipos de modelos ML: caracterización paralela, agrupación multiclase y recaída. El tipo de modelo que debes elegir depende del tipo de enfoque que debes prever.
Modelo de disposición paralela
Los modelos de ML para cuestiones de disposición paralela prevén un resultado doble (una de dos clases potenciales). Para preparar los modelos de doble agrupación, Amazon ML utiliza el cálculo de aprendizaje estándar de negocios conocido como recaída estratégica.
Casos de cuestiones de caracterización emparejadas
“¿Este correo electrónico es spam o no es spam?”
“¿Comprará el cliente este artículo?”
“¿Este artículo es un libro o un ganado?”
“¿Esta auditoría está compuesta por un cliente o un robot?”
Modelo de caracterización multiclase
Los modelos ML para cuestiones de caracterización de clases múltiples permiten producir expectativas para numerosas clases (prever uno de los resultados múltiples). Para preparar los modelos multiclase, Amazon ML utiliza el cálculo de aprendizaje estándar de negocios conocido como recaída estratégica multinomial.
Casos de cuestiones de multiclase
“¿Este artículo es un libro, una película o un atuendo?”
“¿Esta película es una comedia ligera, narrativa o un escalofrío?”
“¿Qué clasificación de artículos es la más intrigante para este cliente?”
Modelo de recaída
Los modelos de ML para cuestiones de recaída prevén un valor numérico. Para preparar los modelos de recaída, Amazon ML utiliza el cálculo de aprendizaje estándar de negocios conocido como recaída directa.
Haciendo un modelo de ML
Después de hacer una fuente de datos, estás preparado para hacer un modelo ML. En el caso de que utilices el soporte de la IA de Amazon para hacer un modelo, puedes decidir utilizar los ajustes predeterminados o ajustar tu modelo aplicando alternativas personalizadas.
Las alternativas personalizadas incluyen:
Configuración de la evaluación: Puede decidir que Amazon ML guarde una parte de la información para evaluar la naturaleza clarividente del modelo ML. Para los datos sobre las evaluaciones, véase Evaluación de los modelos ML.
Una fórmula: Una fórmula revela a Amazon ML qué cualidades y cambios de rasgos son accesibles para la preparación del modelo. Para datos sobre los planes de Amazon ML, ver Resaltar los cambios con los planes de información.
Preparando los parámetros: Los parámetros controlan ciertas propiedades del procedimiento de preparación y del modelo ML posterior. Para obtener más datos sobre la preparación de los parámetros, véase Parámetros de preparación.
Para elegir o determinar los valores de estos ajustes, elija la opción Personalizada cuando utilice el asistente para crear un modelo ML. En caso de que necesite que Amazon ML aplique la configuración predeterminada, elija Predeterminado.
En el momento en que se hace un modelo ML, Amazon ML elige el tipo de cálculo de aprendizaje que utilizará dependiendo del tipo característico de su calidad objetiva. (La propiedad objetiva es el rasgo que contiene las respuestas “correctas”.) Si tu característica objetiva es Doble, Amazon ML hace un modelo de doble orden, que utiliza el cálculo de recaída estratégica. En la remota posibilidad de que tu rasgo objetivo sea Todo fuera, Amazon ML hace un modelo multiclase, que utiliza un cálculo de recaída calculado multinomial. En la remota posibilidad de que su característica objetiva sea numérica, Amazon ML hace un modelo de recaída, que utiliza un cálculo de recaída directa.
Puntos
Requisitos
Hacer un modelo ML con opciones predeterminadas
Hacer un modelo ML con opciones personalizadas
Requisitos
Antes de utilizar el soporte de ML de Amazon para hacer un modelo de ML, hay que hacer dos fuentes de datos, una para la preparación del modelo y otra para la evaluación del modelo. En caso de no haber hecho dos fuentes de datos, ver la Etapa 2: Hacer una fuente de datos de preparación en el ejercicio de instrucción.
Hacer un modelo ML con opciones predeterminadas
Elija las opciones predeterminadas, en caso de que necesite que Amazon ML lo haga:
Dividir la información para utilizar el 70% inicial para la preparación y utilizar el 30% restante para la evaluación.
Recomiendan una fórmula que depende de los datos recogidos en la fuente de datos de la preparación, que es el 70 por ciento de la fuente de datos de información.
Elija los parámetros de preparación predeterminados
Para elegir las alternativas por defecto
En el soporte de Amazon ML, escoge la IA de Amazon, y después, escoge los modelos ML.
En la página de sinopsis de los modelos ML, elija Hacer otro modelo ML.
En la página de información, asegúrate de que previamente hice una fuente de datos indicando que mi información S3 está elegida.
En la tabla, elija su fuente de datos, y después elija Proceder.
En la página de ajustes del modelo ML, para el nombre del modelo ML, escriba un nombre para su modelo ML.
Para la configuración de la preparación y la evaluación, asegúrese de elegir la opción Predeterminado.
Para Nombre, esta evaluación, escriba un nombre para la evaluación, y después elija Encuesta. Amazon ML esquiva el resto del asistente y te lleva a la página de Survey.
Examine su información, borre las etiquetas duplicadas de la fuente de datos que no necesite aplicar a su modelo y evaluaciones, y después elija Finalizar.
Hacer un modelo ML con opciones personalizadas
Ajustar tu modelo de ML te permite:
Dé su propia fórmula. Para datos sobre cómo dar su propia fórmula, vea Referencia de la organización de la fórmula.
Escoge los parámetros de preparación. Para más datos sobre la preparación de los parámetros, véase Preparación de los parámetros.
Elija una proporción de separación de preparación/evaluación que no sea la proporción 70/30 predeterminada o dé otra fuente de datos que acaba de organizar para la evaluación. Para obtener datos sobre las técnicas de separación, véase Separación de la información.
También puedes elegir las estimaciones por defecto para cualquiera de estas configuraciones.
En el caso de que usted acaba de hacer un modelo utilizando las alternativas predeterminadas y necesita mejorar la presentación previsora de su modelo, utilice la opción Personalizada para hacer otro modelo con algunos ajustes. Por ejemplo, puede añadir más cambios de componentes a la fórmula o incrementar la cantidad de va en el parámetro de preparación.
Para hacer un modelo con alternativas personalizadas
En el soporte de Amazon ML, escoge la IA de Amazon, y después escoge los modelos ML.
En la página de sinopsis de los modelos ML, elija Hacer otro modelo ML.
En la remota posibilidad de que acabes de hacer una fuente de datos, en la página de información, elige He hecho previamente una fuente de datos indicando mi información S3. En la tabla, elija su fuente de datos, y después elija Proceder.
En la remota posibilidad de que tengas que hacer una fuente de datos, elige Mi información está en S3, y tengo que hacer una fuente de datos, elige Proceder. Se te ha desviado al asistente para hacer una fuente de datos. Indique si su información está en S3 o en Redshift, en ese momento elija Confirmar. Complete el sistema para hacer una fuente de datos.
Después de hacer una fuente de datos, se le desvía a la etapa siguiente en el asistente de hacer el modelo ML.
En la página de ajustes del modelo ML, para el nombre del modelo ML, escriba un nombre para su modelo ML.
En Seleccionar configuración de preparación y evaluación, elija Personalizado, y después elija Proceder.
En la página de la Fórmula, puedes rehacer una fórmula. En caso de que prefieras no alterar una fórmula, Amazon ML te propone una. Elija “Proceder”.
En la página de ajustes de propulsión, indique el Tamaño del modelo ML más extremo, el Mayor número de pasadas de información, el tipo de Mezcla para preparar la información, el tipo de Regularización y la suma de Regularización. En caso de que no los indique, Amazon ML utiliza los parámetros de preparación por defecto.
Para más datos sobre estos parámetros y sus valores por defecto, véase Preparando los parámetros.
Elija “Proceder”.
En la página de Evaluación, indique si necesita evaluar el modelo ML de inmediato. En el caso de que prefiera no evaluar el modelo ML actualmente, elija Encuesta.
En la remota posibilidad de que necesites evaluar el modelo ML en este punto:
Para nombrar esta evaluación, escriba un nombre para la evaluación.
Para la información de la evaluación Select, elija si necesita que Amazon ML retenga una parte de la información para la evaluación y, en caso afirmativo, cómo necesita separar la fuente de datos, o decida dar una fuente de datos alternativa para la evaluación.
Elija la encuesta.
En la página de revisión, edite sus selecciones, elimine las etiquetas copiadas de la fuente de datos que no quiera que se apliquen a su modelo y evaluaciones, y luego elija Finalizar.