La strada verso la preparazione di un modello ML include il dare un calcolo ML (cioè il calcolo dell’apprendimento) con la preparazione di informazioni da cui ricavare. Il termine modello ML allude all’antica rarità del modello che viene fatta dalla procedura di preparazione.

Le informazioni sulla preparazione devono contenere la risposta giusta, che è nota come obiettivo o proprietà target. Il calcolo di apprendimento scopre disegni nelle informazioni di preparazione che guidano l’informazione attribuisce all’obiettivo (la risposta appropriata che è necessario anticipare), e produce un modello ML che cattura questi esempi.

È possibile utilizzare il modello ML per ottenere previsioni su nuove informazioni per le quali non si ha la più pallida idea dell’obiettivo. Supponiamo, ad esempio, che sia necessario preparare un modello ML per prevedere se un’e-mail è o meno spam. Si fornirebbe ad Amazon ML la preparazione di informazioni che contengano messaggi di cui si conosce l’obiettivo (cioè un nome che dica se un’e-mail è uno spam o non spam). Amazon ML preparerebbe un modello ML utilizzando queste informazioni, creando un modello che cerca di prevedere se un nuovo messaggio di posta elettronica sarà o meno spam.

Tipi di modelli ML

Amazon ML supporta tre tipi di modelli ML: caratterizzazione parallela, raggruppamento multiclasse e ricaduta. Il tipo di modello che si dovrebbe scegliere si basa sul tipo di attenzione che si deve prevedere.

Modello di disposizione parallela

I modelli ML per i problemi di disposizione parallela prevedono un duplice risultato (una delle due classi potenziali). Per preparare modelli di doppio raggruppamento, Amazon ML utilizza il calcolo dell’apprendimento standard aziendale noto come ricaduta strategica.

Problemi di caratterizzazione accoppiata

“Questa e-mail è o non è spam?”

“Il cliente acquisterà questo articolo?”

“Questo oggetto è un libro o un animale?”

“Questo audit è composto da un cliente o da un robot?

Modello di caratterizzazione Multiclass

I modelli ML per la caratterizzazione multiclasse consentono di produrre aspettative per numerose classi (prevedere uno dei molteplici risultati). Per la preparazione dei modelli multiclasse, Amazon ML utilizza il calcolo dell’apprendimento standard aziendale noto come ricaduta strategica multinomiale.

Esempi di problemi di multiclasse

“Questo oggetto è un libro, un film o un abbigliamento?”

“Questo film è una commedia spensierata, una narrazione o uno spine-chiller?

“Quale classificazione di articoli è più intrigante per questo cliente?”

Modello a ricaduta

I modelli ML per i problemi di ricaduta prevedono un valore numerico. Per la preparazione dei modelli di ricaduta, Amazon ML utilizza il calcolo di apprendimento standard aziendale noto come ricaduta diretta.

Realizzare un modello ML

Dopo aver creato una risorsa di dati, si è pronti a creare un modello ML. Nel caso in cui si utilizzi il supporto di Amazon AI per realizzare un modello, si può decidere di utilizzare le impostazioni predefinite o di modificare il modello applicando alternative personalizzate.

Le alternative personalizzate includono:

Impostazioni di valutazione: È possibile decidere di far salvare ad Amazon ML una parte delle informazioni per valutare la natura preveggente del modello ML. Per i dati sulle valutazioni, vedere Valutazione dei modelli ML.

Una formula: Una formula rivela ad Amazon ML quali sono le qualità e i cambiamenti di tratto accessibili per la preparazione del modello. Per i dati relativi ai piani di Amazon ML, vedere Evidenziare le modifiche con i piani informativi.

Preparazione dei parametri: I parametri controllano determinate proprietà della procedura di preparazione e del successivo modello ML. Per ulteriori dati sulla preparazione dei parametri, vedere Preparazione dei parametri.

Per scegliere o determinare i valori per queste impostazioni, scegliere la scelta Personalizzata quando si utilizza la procedura guidata Make ML Model wizard. Nel caso in cui sia necessario che Amazon ML applichi le impostazioni predefinite, scegliere Default.

Nel momento in cui si realizza un modello ML, Amazon ML sceglie il tipo di calcolo di apprendimento che utilizzerà a seconda del tipo di caratteristica della vostra qualità oggettiva. (La proprietà oggettiva è il tratto che contiene le risposte “giuste”.) Se la vostra caratteristica oggettiva è Doppia, Amazon ML fa un modello a due ordini, che utilizza il calcolo della ricaduta strategica. Nella remota possibilità che la vostra caratteristica obiettivo sia All out, Amazon ML realizza un modello multiclasse, che utilizza il calcolo delle ricadute calcolato in modo multinomiale. Nella remota possibilità che la vostra caratteristica obiettivo sia Numerica, Amazon ML realizza un modello di ricaduta, che utilizza un calcolo di ricaduta diretto.

Punti

Requisiti

Realizzare un modello ML con scelte predefinite

Realizzare un modello ML con scelte personalizzate

Requisiti

Prima di utilizzare il supporto di Amazon ML per realizzare un modello ML, è necessario realizzare due fonti di dati, una per la preparazione del modello e una per la valutazione del modello. Nella remota possibilità di non aver fatto due fonti di dati, si veda la Fase 2: Fare una fonte di dati di preparazione nell’esercizio didattico.

Realizzare un modello ML con scelte predefinite

Scegliere le scelte predefinite, nel caso in cui si abbia bisogno di Amazon ML per:

Dividere le informazioni per utilizzare il 70% iniziale per la preparazione e utilizzare il 30% per la valutazione.

Raccomandare una formula che dipenda dalle intuizioni raccolte sulla fonte di dati di preparazione, che è il 70 per cento della fonte di dati di informazione

Scegliere i parametri di preparazione di default

Per scegliere le alternative predefinite

Nel supporto di Amazon ML, scegliere Amazon AI, e dopo, scegliere i modelli ML.

Nella pagina della sinossi dei modelli ML, scegliere Fare un altro modello ML.

Nella pagina delle informazioni, assicuratevi che sia stata scelta una fonte di dati che indichi i miei dati S3.

Nella tabella, scegliete la vostra fonte di dati e poi scegliete Procedete.

Nella pagina di impostazione del modello ML, per il nome del modello ML, digitare un nome per il proprio modello ML.

Per le impostazioni di preparazione e valutazione, assicurarsi che sia stato scelto Default.

Per Nome, questa valutazione, digitare un nome per la valutazione e successivamente scegliere Sondaggio. Amazon ML aggira il resto della procedura guidata e ti porta alla pagina Sondaggio.

Sondaggiate le vostre informazioni, cancellate eventuali etichette duplicate dalla fonte di dati che non vi servono applicate al vostro modello e alle vostre valutazioni, e poi scegliete Finish.

Realizzare un modello ML con scelte personalizzate

L’ottimizzazione del vostro modello ML vi permette di farlo:

Date la vostra formula. Per i dati su come dare la propria formula, vedere Formula Organizzazione di riferimento.

Scegliere i parametri di preparazione. Per ulteriori dati sulla preparazione dei parametri, vedere Preparazione dei parametri.

Scegliete una proporzione di separazione della preparazione/valutazione diversa dalla proporzione predefinita 70/30 o fornite un’altra risorsa di dati che avete appena predisposto per la valutazione. Per i dati sulle tecniche di separazione, vedere Parting Your Information.

È possibile anche scegliere le valutazioni predefinite per una qualsiasi di queste impostazioni.

Nel caso in cui abbiate appena realizzato un modello utilizzando le alternative predefinite e abbiate bisogno di migliorare la presentazione preveggente del vostro modello, utilizzate la scelta Personalizzata per realizzare un altro modello con alcune impostazioni ottimizzate. Per esempio, si possono aggiungere altre modifiche di componenti alla formula o aumentare la quantità di go nel parametro di preparazione.

Per realizzare un modello con alternative personalizzate

Nel supporto Amazon ML, scegliete Amazon AI, e successivamente scegliete i modelli ML.

Nella pagina della sinossi dei modelli ML, scegliere Fare un altro modello ML.

Nella remota possibilità che abbiate appena realizzato una fonte di dati, nella pagina delle informazioni, scegliete “Ho realizzato in precedenza una fonte di dati che indica le mie informazioni S3”. Nella tabella, scegliete la vostra fonte di dati e poi scegliete Procedete.

Nella remota possibilità che tu debba creare una fonte di dati, scegli “I miei dati sono in S3” e io devo creare una fonte di dati, scegli “Procedi”. Sei deviato alla procedura guidata di creazione di una risorsa di dati. Indicate se le vostre informazioni sono in S3 o Redshift, a quel punto scegliete Conferma. Completate il sistema per creare una risorsa di dati.

Dopo aver creato una risorsa di dati, si viene deviati alla fase successiva nella procedura guidata Make ML Model wizard.

Nella pagina di impostazione del modello ML, per il nome del modello ML, digitare un nome per il proprio modello ML.

In Seleziona impostazioni di preparazione e valutazione, selezionare Custom, e successivamente scegliere Procedi.

Nella pagina della Formula, è possibile rifare una formula. Nella remota possibilità che tu preferisca non modificare una formula, Amazon ML ne propone una per te. Scegliete Procedete.

Nella pagina delle impostazioni di Propelled, indicare la dimensione del modello ML più estremo, il numero massimo di passaggi di informazioni, il tipo di miscela per la preparazione delle informazioni, il tipo di regolarizzazione e la somma di regolarizzazione. Nella remota possibilità che non li indichiate, Amazon ML utilizza i parametri di preparazione predefiniti.

Per ulteriori dati su questi parametri e sulle loro impostazioni predefinite, vedere Preparazione dei parametri.

Scegliere Procedere.

Nella pagina di valutazione, indicare se è necessario valutare subito il modello ML. Nel caso in cui si preferisca non valutare il modello ML al momento, scegliere Indagine.

Nella remota possibilità che a questo punto sia necessario valutare il modello ML:

Per Nome questa valutazione, digitare un nome per la valutazione.

Per le informazioni di valutazione Select, scegliete se avete bisogno di Amazon ML per tenere una parte delle informazioni per la valutazione e, nel caso in cui lo facciate, come dovete separare la fonte di dati, oppure decidete di dare una fonte di dati alternativa per la valutazione.

Sondaggio Pick Survey.

Nella pagina Revisione, modificate le vostre selezioni, cancellate i tag copiati dalla risorsa dati che non volete applicare al vostro modello e alle vostre valutazioni, e poi scegliete Fine.