Le processus d'Amazon Machine Learning

Le tableau suivant décrit comment utiliser la console Amazon ML pour exécuter le processus de ML décrit dans ce document.

Processus d'apprentissage-machine	Tâche Amazon ML
Analyse de vos données	Pour analyser vos données dans Amazon ML, créez une source de données et consultez la page d'informations sur les données.
Fractionnement des données en sources de données de formation et d'évaluation	Amazon ML peut diviser la source de données pour utiliser 70 % des données pour l'entraînement des modèles et 30 % pour évaluer les performances prédictives de votre modèle. Lorsque vous utilisez l'assistant Create ML Model avec les paramètres par défaut, Amazon ML divise les données pour vous. Si vous utilisez l'assistant Create ML avec les paramètres personnalisés et que vous choisissez d'évaluer le modèle ML, vous verrez une option permettant à Amazon ML de diviser les données pour vous et d'exécuter une évaluation sur 30 % des données.
Réorganisation de vos données de formation	Lorsque vous utilisez l'assistant Create ML Model avec les paramètres par défaut, Amazon ML mélange vos données pour vous. Vous pouvez également mélanger vos données avant de les importer dans Amazon ML.
Traitement des entités	Le processus de regroupement des données de formation dans un format optimal pour l'apprentissage et la généralisation est connu sous le nom de transformation d'entités. Lorsque vous utilisez l'assistant Create ML Model avec les paramètres par défaut, Amazon ML suggère des paramètres de traitement des fonctionnalités pour vos données. Pour spécifier des paramètres de traitement d'entités, utilisez l'option Personnalisé de l'assistant de création de modèle d'apprentissage-machine et fournissez une recette de traitement d'entités.
Formation du modèle	Lorsque vous utilisez l'assistant Create ML Model pour créer un modèle dans Amazon ML, Amazon ML entraîne votre modèle.
Sélection des paramètres du modèle	Dans Amazon ML, vous pouvez régler quatre paramètres qui affectent les performances prédictives de votre modèle : la taille du modèle, le nombre de passes, le type de brassage et la régularisation. Vous pouvez définir ces paramètres lorsque vous utilisez l'assistant de création de modèle d'apprentissage-machine pour créer un modèle d'apprentissage-machine et choisissez l'option Personnalisé.
Evaluation des performances du modèle	Utilisez l'assistant de création d'évaluation pour évaluer les performances prédictives de votre modèle.
Sélection des entités	L'algorithme d'apprentissage Amazon ML peut supprimer des fonctionnalités qui ne contribuent pas beaucoup au processus d'apprentissage. Pour indiquer que vous souhaitez ignorer ces entités, choisissez le paramètre L1 regularization lorsque vous créez le modèle d'apprentissage-machine.
Définition d'un score seuil de précision des prédictions	Passez en revue les performances prédictives du modèle dans le rapport d'évaluation pour différentes valeurs de score seuil, puis définissez le score seuil en fonction de votre application métier. Le score seuil détermine comment le modèle définit une correspondance de prédictions. Ajustez ce nombre pour contrôler les faux positifs et les faux négatifs.
Utilisation du modèle	Utilisez votre modèle pour obtenir des prédictions pour un lot d'observations à l'aide de l'assistant de création de prédiction par lots. Ou, obtenez des prédictions pour des observations individuelles à la demande en permettant au modèle d'apprentissage-machine de traiter des prédictions en temps réel à l'aide de l'API Predict.