De weg naar het opstellen van een ML-model omvat het geven van een ML-berekening (d.w.z. de leerberekening) met het voorbereiden van informatie om er voordeel uit te halen. De term ML-model zinspeelt op het model van de oude zeldzaamheid die door de voorbereidingsprocedure wordt gemaakt.
De voorbereidingsinformatie moet het juiste antwoord bevatten, dat bekend staat als een objectieve of doelgerichte eigenschap. De leerberekening ontdekt ontwerpen in de voorbereidingsinformatie die de informatie toekent aan het doel (het juiste antwoord dat je nodig hebt om te anticiperen), en het levert een ML-model op dat deze voorbeelden vangt.
U kunt het ML-model gebruiken om voorspellingen te krijgen over nieuwe informatie waar u geen flauw idee van heeft. Stel dat u een ML-model moet voorbereiden om te voorspellen of een e-mail al dan niet spam is. U zou Amazon ML voorzien van informatie die berichten bevat waarvan u het doel kent (dat wil zeggen, een naam die aangeeft of een e-mail een spam is of geen spam). Amazon ML zou een ML-model voorbereiden door gebruik te maken van deze informatie, waardoor een model ontstaat dat probeert te voorzien of een nieuwe e-mail al dan niet spam is.
Soorten ML-modellen
Amazon ML bolsters drie soorten ML-modellen: parallelle karakterisering, multiklassengroepering en terugval. Het soort model dat u moet kiezen hangt af van het soort focus dat u moet voorzien.
Model van de parallelle regeling
ML-modellen voor parallelle rangschikkingskwesties anticiperen op een tweevoudig resultaat (een van de twee potentiële klassen). Om dubbele groeperingsmodellen voor te bereiden, maakt Amazon ML gebruik van de zakelijke standaard leerberekening die bekend staat als strategische terugval.
Gevallen van Gekoppelde Karakteriseringskwesties
“Is deze e-mail spam of geen spam?”
“Zal de klant dit artikel kopen?”
“Is dit item een boek of vee?”
“Is deze audit samengesteld door een klant of een robot?”
Multiklaskarakteriseringsmodel
Met ML-modellen voor multiklasse-karakteriseringsvraagstukken kunt u verwachtingen wekken voor tal van klassen (voorzie één van de meervoudige resultaten). Voor het opstellen van multiklassemodellen maakt Amazon ML gebruik van de zakelijke standaard leerberekening die bekend staat als multinomiale strategische terugval.
Gevallen van multiklasseproblemen
“Is dit een boek, een film of een kledingstuk?”
“Is deze film een luchtige komedie, een verhaaltje of een ruggengraat?”
“Welke classificatie van items is het meest intrigerend voor deze klant?”
Relapse-model
ML-modellen voor recidiverende problemen voorzien in een numerieke waarde. Voor het voorbereiden van terugvalmodellen maakt Amazon ML gebruik van de zakelijke standaard leerberekening die bekend staat als straight relapse.
Een ML-model maken
Nadat je een gegevensbron hebt gemaakt, ben je bereid om een ML-model te maken. In het geval dat u de Amazon AI-ondersteuning gebruikt om een model te maken, kunt u besluiten om de standaardinstellingen te gebruiken of om uw model te tweaken door aangepaste alternatieven toe te passen.
Aangepaste alternatieven zijn onder andere:
Beoordelingsinstellingen: U kunt besluiten om Amazon ML een deel van de informatie te laten opslaan om de prescient aard van het ML-model te beoordelen. Voor gegevens over beoordelingen, zie Assessing ML Models.
Een formule: Een formule onthult aan Amazon ML welke kwaliteiten en karakteristieken toegankelijk zijn voor de modelvoorbereiding. Voor gegevens over Amazon ML-plannen, zie Highlight Changes with Information Plans.
Voorbereiding van de parameters: Parameters bepalen bepaalde eigenschappen van de bereidingsprocedure en van het daaropvolgende ML-model. Voor meer gegevens over het voorbereiden van parameters, zie Parameters voorbereiden.
Om waarden voor deze instellingen te kiezen of te bepalen, kiest u de aangepaste keuze wanneer u de Make ML Model wizard gebruikt. In het geval dat u Amazon ML nodig hebt om de standaardinstellingen toe te passen, kiest u Standaard.
Op het moment dat u een ML-model maakt, kiest Amazon ML het soort leerberekening dat het zal gebruiken, afhankelijk van het kenmerkende soort van uw objectieve kwaliteit. (De objectieve eigenschap is de eigenschap die de “juiste” antwoorden bevat.) Als uw objectieve eigenschap Dubbel is, maakt Amazon ML een tweevoudig ordermodel, dat gebruik maakt van de strategische terugvalberekening. Als uw objectieve eigenschap All out is, maakt Amazon ML een multiclass-model, dat gebruik maakt van een multinomiaal berekende terugvalberekening. Bij de uitkans dat uw objectieve eigenschap Numeriek is, maakt Amazon ML een relapse-model, dat gebruik maakt van een directe relapse-berekening.
Punten
Vereisten
Het maken van een ML-model met standaardkeuzes
Een ML-model maken met aangepaste keuzes
Vereisten
Voordat u de Amazon ML-ondersteuning gebruikt om een ML-model te maken, moet u twee databronnen maken, een voor het voorbereiden van het model en een voor het beoordelen van het model. Voor de kans dat u geen twee databronnen heeft gemaakt, zie Stap 2: Maak een Preparation Datasource in de instructie-oefening.
Het maken van een ML-model met standaardkeuzes
Kies de Standaard keuzes, in het geval dat je Amazon ML nodig hebt om:
Splits de informatie op om de eerste 70 procent te gebruiken voor de voorbereiding en gebruik de resterende 30 procent voor de beoordeling.
Een formule aan te bevelen die afhankelijk is van de verzamelde inzichten uit de voorbereidingsdatabron, die 70 procent van de infodatabron bedraagt.
Kies de standaard voorbereidingsparameters
Om standaard alternatieven te kiezen
In de Amazon ML-ondersteuning, kies Amazon AI, en daarna, kies ML-modellen.
Kies op de pagina met samenvattingen van ML-modellen een ander ML-model.
Zorg er op de informatiepagina voor dat ik eerder een gegevensbron heb gemaakt die aangeeft dat mijn S3-informatie is gekozen.
Kies in de tabel uw gegevensbron, en kies daarna verder.
Typ op de instellingenpagina van het ML-model voor de naam van het ML-model een naam voor uw ML-model.
Voor het voorbereiden en beoordelen van de instellingen moet u ervoor zorgen dat Default wordt gekozen.
Voor Naam, deze beoordeling, typ een naam voor de beoordeling, en kies daarna Survey. Amazon ML zet de rest van de wizard opzij en brengt u naar de pagina Enquête.
Onderzoek uw informatie, verwijder eventuele dubbele etiketten uit de gegevensbron die u niet hoeft toe te passen op uw model en beoordelingen, en kies daarna Finish.
Een ML-model maken met aangepaste keuzes
Met het tweaken van uw ML-model kunt u dat doen:
Geef je eigen formule. Voor gegevens over het geven van uw eigen formule, zie Formule Organisatie Referentie.
Kies de parameters voor de voorbereiding. Voor meer gegevens over het voorbereiden van parameters, zie Parameters voorbereiden.
Kies een andere voorbereidings-/beoordelingsverhouding dan de standaard 70/30-verhouding of geef een andere gegevensbron die u zojuist voor de beoordeling hebt geregeld. Voor gegevens over scheidingstechnieken, zie Parting Your Information.
U kunt ook de standaardwaarden voor een van deze instellingen kiezen.
In het geval dat u net een model hebt gemaakt met behulp van de standaardalternatieven en de prescient presentatie van uw model moet verbeteren, gebruik dan de aangepaste keuze om een ander model te maken met enkele aangepaste instellingen. Zo kunt u bijvoorbeeld meer wijzigingen in de formule aanbrengen of de hoeveelheid go’s in de voorbereidingsparameter verhogen.
Om een model te maken met aangepaste alternatieven
In de Amazon ML-ondersteuning, kies Amazon AI, en kies daarna ML-modellen.
Kies op de pagina met samenvattingen van ML-modellen een ander ML-model.
Bij de kans dat je net een gegevensbron hebt gemaakt, kies ik op de Info informatie pagina eerder een gegevensbron die mijn S3-informatie aangeeft. Kies in de tabel uw gegevensbron en kies daarna verder.
Bij de kans dat je een gegevensbron moet maken, kies Mijn informatie staat in S3, en ik moet een gegevensbron maken, kies Ga verder. Je wordt omgeleid naar de Make a Datasource wizard. Geef aan of uw informatie in S3 of Redshift staat, kies op dat moment Bevestigen. Voltooi het systeem voor het maken van een gegevensbron.
Nadat u een gegevensbron hebt gemaakt, wordt u doorgestuurd naar de volgende fase in de Make ML Model wizard.
Typ op de instellingenpagina van het ML-model voor de naam van het ML-model een naam voor uw ML-model.
Kies bij Selecteren van voorbereidings- en beoordelingsinstellingen Aangepast, en kies daarna Doorgaan.
Op de Formule-pagina kunt u een formule opnieuw doen. In het geval dat u een formule liever niet verandert, stelt Amazon ML u er een voor. Kies verder.
Geef op de pagina Voortgestuwde instellingen de meest extreme ML-modelgrootte, het grootste aantal informatiepassages, het type Mix voor het bereiden van informatie, het type Regularisatie en de Regularisatie-som aan. Als u deze niet aangeeft, maakt Amazon ML gebruik van de standaard voorbereidingsparameters.
Voor meer gegevens over deze parameters en hun standaardinstellingen, zie Parameters voorbereiden.
Kies verder.
Geef op de pagina Beoordeling aan of u het ML-model direct moet beoordelen. In het geval dat u het ML-model op dit moment liever niet wilt beoordelen, kies dan Survey.
De kans is groot dat u het ML-model op dit punt moet beoordelen:
Voor het benoemen van deze beoordeling, typ een naam voor de beoordeling.
Kies voor Select assessment informatie of u Amazon ML nodig heeft om een deel van de informatie voor de beoordeling te bewaren en, in het geval dat u dat doet, hoe u de gegevensbron moet scheiden, of beslis om een alternatieve gegevensbron voor de beoordeling te geven.
Pick Survey.
Bewerk op de pagina Beoordeling uw selecties, verwijder eventuele gekopieerde tags uit de gegevensbron die u niet wilt toepassen op uw model en evaluaties, en kies vervolgens Voltooien.