Wir aktualisieren den Amazon Machine Learning Learning-Service nicht mehr und akzeptieren keine neuen Benutzer mehr dafür. Diese Dokumentation ist für bestehende Benutzer verfügbar, wir aktualisieren sie jedoch nicht mehr. Weitere Informationen finden Sie unterWas Amazon Machine Learning.
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Erarbeitung des Problems
Der erste Schritt im Machine Learning besteht darin, zu entscheiden, was Sie voraussagen möchten; dies ist das Label oder die Zielantwort. Stellen Sie sich vor, Sie möchten Produkte herstellen, aber die Entscheidung für die Herstellung eines Produkts hängt von der Anzahl der Verkaufschancen ab. In diesem Szenario möchten Sie voraussagen, wie oft jedes Produkt erworben werden wird (Anzahl Verkäufe voraussagen). Es gibt mehrere Möglichkeiten, dieses Problem mittels Machine Learning zu definieren. Die Art und Weise, wie Sie das Problem definieren, hängt von Ihrem Anwendungsfall bzw. Ihren Geschäftsbedürfnissen ab.
Möchten Sie die Anzahl Käufe voraussagen, die Ihre Kunden für jedes Produkt tätigen werden (in diesem Fall ist das Ziel numerisch und Sie lösen ein Regressionsproblem)? Oder möchten Sie voraussagen, welche Produkte mehr als 10 Mal gekauft werden (in diesem Fall ist das Ziel binär und Sie lösen ein binäres Klassifikationsproblem)?
Es ist wichtig, das Problem nicht zu verkomplizieren und die einfachste Lösung zu erarbeiten, die auf Ihre Bedürfnisse zugeschnitten ist. Allerdings ist es ebenso wichtig, keine Informationen zu verlieren, insbesondere Informationen in den historischen Antworten. Durch das Konvertieren einer vergangenen Verkaufszahl in die binäre Variable "über 10" statt "weniger" würden wertvolle Informationen verloren gehen. Investieren Sie Zeit in Ihre Entscheidung für die Ziele, die für Ihre Voraussage am meisten Sinn machen, um Modelle zu erstellen, die Ihre Frage nicht beantworten.
