Beispiel-Notebooks: Erkunden der Modellierung mit Amazon SageMaker Autopilot

Amazon SageMaker Autopilot stellt die folgenden Beispielnotizbücher bereit.

• Direktes Marketing mit Amazon SageMaker Autopilot: Dieses Notebook zeigt, wie das Bank Marketing Data Set verwendet, um vorherzusagen, ob sich ein Kunde für eine langfristige Einzahlung bei einer Bank anmelden wird. Sie können Autopilot für diesen Datensatz verwenden, um die genaueste ML-Pipeline zu erhalten, indem Sie die Optionen verschiedener 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 Notizbuch enthält Anweisungen zum Trainieren des Modells und zum Einsatz des Modells, um eine Batch-Inferenz mit dem besten Kandidaten durchzuführen.

• Vorhersage der Kundenabwanderung mit Amazon SageMaker Autopilot: Dieses Notebook beschreibt die Verwendung von Machine Learning zur automatisierten Identifizierung unglühter Kunden, auch bekannt als Vorhersage der Kundenabwanderung. Das Beispiel zeigt, wie man einen öffentlich zugänglichen Datensatz analysiert und darauf ein Feature Engineering durchführt. 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. Schließlich wird gezeigt, wie das Modell auf einem gehosteten Endpunkt eingesetzt wird und wie seine Vorhersagen im Vergleich zur Ground Truth bewertet werden können. ML-Modelle liefern jedoch selten perfekte Vorhersagen. Deshalb zeigt dieses Notizbuch auch, wie man die relativen Kosten von Prognosefehlern bei der Ermittlung des finanziellen Ergebnisses des Einsatzes von ML einbeziehen kann.

• Top-Kandidaten: Kunden-C Chitan Prediction mit Amazon SageMaker Autopilot und Batch Transform (Python SDK): Dieses Notebook beschreibt auch die Verwendung von Machine Learning zur automatisierten Identifizierung unglüchtiger Kunden, auch bekannt als Kundenabwanderungsvorhersage. In diesem Notizbuch wird gezeigt, wie das Modell konfiguriert wird, um die Inferenzwahrscheinlichkeit zu ermitteln, die Top-N-Modelle auszuwählen und eine Batch-Transformation an einem Hold-Out-Testset zur Auswertung durchzuführen.

  Anmerkung

  Dieses Notebook funktioniert mit SageMaker Python SDK >= 1.65.1, veröffentlicht am 6/19/2020.

• Einbinden Ihres eigenen Datenverarbeitungscodes in Amazon SageMaker Autopilot: Dieses Notebook zeigt, wie Sie bei Verwendung von Amazon SageMaker Autopilot benutzerdefinierten Datenverarbeitungscode integrieren und bereitstellen. Es fügt einen Schritt zur benutzerdefinierten Funktionsauswahl hinzu, um irrelevante Variablen zu einem Autopilot-Job zu entfernen. Anschließend wird gezeigt, wie sowohl der benutzerdefinierte Verarbeitungscode als auch die vom Autopilot generierten Modelle auf einem Echtzeit-Endpunkt und alternativ für die Stapelverarbeitung bereitgestellt werden.