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.
Automatisches Schulen von Modellen auf Ihrem Datenfluss
Sie können Amazon SageMaker Autopilot verwenden, um Modelle anhand der Daten, die Sie in Ihrem Datenfluss transformiert haben, automatisch zu trainieren, zu optimieren und bereitzustellen. Amazon SageMaker Autopilot kann mehrere Algorithmen durchlaufen und den Algorithmus verwenden, der am besten mit Ihren Daten funktioniert. Weitere Informationen zu Amazon SageMaker Autopilot finden Sie unter. SageMaker Autopilot
Wenn Sie ein Modell trainieren und optimieren, exportiert Data Wrangler Ihre Daten an einen Amazon S3 S3-Standort, wo Amazon SageMaker Autopilot darauf zugreifen kann.
Sie können ein Modell vorbereiten und bereitstellen, indem Sie einen Knoten in Ihrem Data Wrangler-Flow auswählen und in der Datenvorschau Exportieren und Schulen wählen. Sie können diese Methode verwenden, um Ihren Datensatz anzusehen, bevor Sie ein Modell darauf trainieren möchten.
Sie können ein Modell auch direkt aus Ihrem Datenfluss heraus trainieren und bereitstellen.
Mit dem folgenden Verfahren wird ein Modell aus dem Datenfluss vorbereitet und bereitgestellt. Bei Data Wrangler-Flüssen mit mehrzeiligen Transformationen können Sie die Transformationen aus dem Data Wrangler-Fluss nicht verwenden, wenn Sie das Modell bereitstellen. Sie können die folgende Prozedur verwenden, um die Daten zu verarbeiten, bevor Sie sie zur Inferenz verwenden.
Gehen Sie wie folgt vor, um ein Modell direkt aus Ihrem Datenfluss heraus zu trainieren und bereitzustellen.
-
Wählen Sie das + neben dem Knoten, der das Trainingsdaten enthält.
-
Wählen Sie Train Model.
-
(Optional) Geben Sie einen Schlüssel oder eine AWS KMS ID an. Weitere Informationen zum Erstellen und Steuern von kryptografischen Schlüsseln zum Schutz Ihrer Daten finden Sie unter AWS Key Management Service.
-
Wählen Sie Exportieren und trainieren.
-
Nachdem Amazon SageMaker Autopilot das Modell anhand der Daten trainiert hat, die Data Wrangler exportiert hat, geben Sie einen Namen für den Experimentnamen ein.
-
Wählen Sie unter Eingabedaten die Option Vorschau aus, um zu überprüfen, ob Data Wrangler Ihre Daten ordnungsgemäß nach Amazon SageMaker Autopilot exportiert hat.
-
Wählen Sie für Target die Zielspalte aus.
-
(Optional) Geben Sie für den S3-Standort unter Ausgabedaten einen anderen Amazon S3-Speicherort als den Standardspeicherort an.
-
Wählen Sie Weiter: Trainingsmethode.
-
Wählen Sie Weiter: Trainingsmethode. Weitere Informationen finden Sie unter Trainingsweisen.
-
(Optional) Geben Sie unter Auto Deploy-Endpunkt einen Namen für den Endpunkt ein.
-
Wählen Sie für Bereitstellungsoption eine Bereitstellungsmethode aus. Sie können wählen, ob Sie die Bereitstellung mit oder ohne die Transformationen, die Sie an Ihren Daten vorgenommen haben, durchführen möchten.
Wichtig
Sie können kein Amazon SageMaker Autopilot-Modell mit den Transformationen bereitstellen, die Sie in Ihrem Data Wrangler-Flow vorgenommen haben. Weitere Informationen zu Umwandlungen finden Sie unter Zu einem Inferenz-Endpunkt exportieren.
-
Wählen Sie Next: Review and create.
-
Wählen Sie Create experiment (Experiment erstellen).
Weitere Informationen zur Modelltraining finden Sie unter Erstellen Sie Regressions- oder Klassifizierungsjobs für Tabellendaten mit AutoML API. Autopilot zeigt Ihnen Analysen zur Leistung des besten Modells. Weitere Informationen zur Leistung finden Sie unter Leistungsbericht eines Autopilot-Modells anzeigen.
