Beispiele: Erkunden der 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: Erkunden der Modellierung mit Amazon SageMaker Autopilot

Amazon SageMaker Autopilot stellt die folgenden Beispiel-Notebooks bereit.

  • Direktmarketing bei 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 und zur Bereitstellung des Modells, um Batch-Inferenz mit dem besten Kandidaten durchzuführen.

  • Kunden-Churn-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. Schließlich zeigt es, wie man das Modell auf einem gehosteten Endpunkt bereitstellt und wie seine Vorhersagen anhand der Grundwahrheit ausgewertet werden. ML-Modelle geben jedoch selten perfekte Vorhersagen. Deshalb zeigt dieses Notebook auch, wie man die relativen Kosten von Vorhersagefehlern bei der Bestimmung des finanziellen Ergebnisses der Verwendung von ML einbezieht.

  • Top-Kandidaten Kunden-Churn-Vorhersage bei 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 Notebook veranschaulicht, wie das Modell konfiguriert wird, um die Inferenzwahrscheinlichkeit zu erhalten, die Top-N-Modelle auszuwählen und Batch-Transformation für einen Hold-Out-Test zur Auswertung durchzuführen.

    Anmerkung

    Dieses Notizbuch funktioniert mit SageMaker Python SDK >= 1.65.1 veröffentlicht am 19.6.2020.

  • Ihren eigenen Datenverarbeitungscode zu Amazon einbinden SageMaker Autopilot: Dieses Notizbuch veranschaulicht, wie Sie benutzerdefinierten Datenverarbeitungscode bei Verwendung von Amazon integrieren und bereitstellen SageMaker Autopilot. 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.