Beispiele: Entdecken Sie die Modellierung mit Amazon SageMaker Autopilot - Amazon SageMaker

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.

Beispiele: Entdecken Sie die Modellierung mit Amazon SageMaker Autopilot

Amazon SageMaker Autopilot bietet die folgenden Beispiel-Notebooks.

  • Direktmarketing mit Amazon SageMaker Autopilot: Dieses Notizbuch zeigt, wie derDatensatz für Bankmarketingum vorherzusagen, ob sich ein Kunde für eine Termineinlage bei einer Bank anmelden wird. Sie können Autopilot für dieses Dataset verwenden, um die genaueste ML-Pipeline zu erhalten, indem Sie Optionen in verschiedenen Kandidaten-Pipelines untersuchen. Autopilot generiert jeden Kandidaten in einem zweistufigen Verfahren. Im ersten Schritt wird das automatisierte Feature-Engineering für das Dataset durchgeführt. Der zweite Schritt trainiert und optimiert einen Algorithmus, um ein Modell zu erzeugen. Das Notebook enthält Anweisungen zum Trainieren des Modells sowie zum Bereitstellen des Modells, um Batch-Inferenz mit dem besten Kandidaten durchzuführen.

  • Amazon SageMaker Autopilot Vorhersage mit Amazon SageMaker Autopilot: Dieses Notebook beschreibt die Verwendung von Machine Learning zur automatisierten Identifizierung unglücklicher Kunden, auch bekannt als Kundenabwanderungsprognose. Das Beispiel zeigt, wie ein öffentlich verfügbares Dataset analysiert und Feature-Engineering für dieses Dataset durchgeführt wird. Als Nächstes wird gezeigt, wie ein Modell optimiert wird, indem die Pipeline mit der besten Leistung zusammen mit den optimalen Hyperparametern für den Trainingsalgorithmus ausgewählt wird. Abschließend wird gezeigt, wie das Modell auf einem gehosteten Endpunkt bereitgestellt und seine Vorhersagen anhand der Ground Truth (Grundwahrheit) ausgewertet werden. ML-Modelle liefern jedoch selten perfekte Vorhersagen, daher geht es in diesem Notebook auch darum, wie man die relativen Kosten von Vorhersagefehlern bei der Bestimmung des finanziellen Ergebnisses der Verwendung von ML einbezieht.

  • Top-Kandidaten Kunden-Churn-Vorhersage mit Amazon SageMaker Autopilot und Batch-Transformation (Python SDK): Dieses Notebook beschreibt auch die Verwendung von Machine Learning zur automatisierten Identifizierung unglücklicher Kunden, auch bekannt als Kundenabwanderungsprognose. Dieses Notizbuch veranschaulicht, wie das Modell so konfiguriert wird, dass es die Inferenzwahrscheinlichkeit erhält, die Top-N-Modelle auswählt und die Batch-Transformation für einen Hold-Out-Test zur Auswertung erstellt.

    Anmerkung

    Dieses Notizbuch funktioniert mit dem SageMaker Python SDK >= 1.65.1, das am 19.6.2020 veröffentlicht wurde.

  • Bringen Sie Ihren eigenen Datenverarbeitungscode zu Amazon SageMaker Autopilot: Dieses Notizbuch veranschaulicht, wie Sie benutzerdefinierten Datenverarbeitungscode bei Verwendung von Amazon SageMaker Autopilot integrieren und bereitstellen. Es fügt einen benutzerdefinierten Feature-Auswahlschritt hinzu, um irrelevante Variablen zu einem Autopilot-Job zu entfernen. Anschließend wird gezeigt, wie Sie sowohl den benutzerdefinierten Verarbeitungscode als auch die von Autopilot generierten Modelle auf einem Echtzeit-Endpunkt und alternativ für die Stapelverarbeitung bereitstellen.