Langkah 5: Gunakan Model ML untuk Menghasilkan Prediksi

Amazon Machine Learning (Amazon IL) dapat menghasilkan dua jenis prediksi — batch dan real-time.

SEBUAHPrediksi real-timeadalah prediksi untuk observasi tunggal yang dihasilkan Amazon ML-sesuai permintaan. Prediksi real-time sangat ideal untuk aplikasi seluler, situs web, dan aplikasi lain yang perlu menggunakan hasil secara interaktif.

SEBUAHprediksi batchadalah seperangkat prediksi untuk sekelompok pengamatan. Amazon ML-memproses catatan dalam prediksi batch bersama-sama, sehingga pemrosesan dapat memakan waktu lama. Gunakan prediksi batch untuk aplikasi yang memerlukan prediksi untuk serangkaian pengamatan atau prediksi yang tidak menggunakan hasil secara interaktif.

Untuk tutorial ini, Anda akan menghasilkan prediksi real-time yang memprediksi apakah satu calon pelanggan akan berlangganan produk baru. Anda juga akan menghasilkan prediksi untuk sejumlah besar pelanggan potensial. Untuk prediksi batch, Anda akan menggunakanbanking-batch.csvfile yang Anda uploadLangkah 1: Mempersiapkan Data Anda.

Mari kita mulai dengan prediksi real-time.

catatan

Untuk aplikasi yang memerlukan prediksi real-time, Anda harus membuat titik akhir real-time untuk model ML-nya. Anda akan dikenakan biaya sementara titik akhir real-time tersedia. Sebelum Anda berkomitmen untuk menggunakan prediksi real-time dan mulai menimbulkan biaya yang terkait dengannya, Anda dapat mencoba menggunakan fitur prediksi real-time di browser web Anda, tanpa membuat titik akhir real-time. Itulah yang akan kita lakukan untuk tutorial ini.

Untuk mencoba prediksi waktu nyata

1. DiLaporan modelpanel navigasi, pilihCoba prediksi waktu nyata.

   

2. PilihTempel catatan.

   

3. DiTempel catatankotak dialog, tempel pengamatan berikut ini:

   32,services,divorced,basic.9y,no,unknown,yes,cellular,dec,mon,110,1,11,0,nonexistent,-1.8,94.465,-36.1,0.883,5228.1

4. DiTempel catatankotak dialog, pilihKirimuntuk mengonfirmasi bahwa Anda ingin menghasilkan prediksi untuk pengamatan ini. Amazon ML-mengisi nilai dalam bentuk prediksi real-time.

   

   catatan

   Anda juga dapat mengisiNilaibidang dengan mengetikkan nilai-nilai individu. Terlepas dari metode yang Anda pilih, Anda harus memberikan pengamatan yang tidak digunakan untuk melatih model.

5. Di bagian bawah halaman, pilihPrediksi.

   Prediksi muncul diHasil prediksipanel di sebelah kanan. Prediksi ini memilikiLabel yang diprediksidari0, yang berarti bahwa calon pelanggan ini tidak mungkin untuk menanggapi kampanye. SEBUAHLabel yang diprediksidari1berarti bahwa pelanggan cenderung menanggapi kampanye.

   

Sekarang, buat prediksi batch. Anda akan memberikan nama model ML-Amazon yang Anda gunakan; lokasi Amazon Simple Storage Service (Amazon S3) dari data input yang ingin Anda hasilkan prediksi (Amazon IL akan membuat sumber data prediksi batch dari data ini); dan lokasi Amazon S3 untuk menyimpan hasilnya.

Untuk membuat prediksi batch

1. PilihAmazon Machine Learning, dan kemudian pilihBatchPrediksi.

   

2. PilihPrediksi batch baru.

3. PadaModel L untuk prediksi batchhalaman, pilihModel L: Data Perbankan 1.

   Amazon IL menampilkan nama model, ID, waktu pembuatan, dan ID sumber data terkait.

4. Pilih Continue (Lanjutkan).

5. Untuk menghasilkan prediksi, Anda harus memberikan Amazon MLdata yang Anda butuhkan prediksi. Ini disebutdata input. Pertama, masukkan data input ke dalam sumber data sehingga Amazon IL dapat mengaksesnya.

   UntukMenemukan data input, pilihData saya ada di S3, dan saya perlu membuat sumber data.

   

6. UntukNama sumber data, tipeBanking Data 2.

7. UntukLokasi S3, ketik lokasi lengkapbanking-batch.csvberkas:bucket Anda/banking-batch.csv.

8. UntukApakah baris pertama di CSV Anda berisi nama kolom?, pilihya.

9. PilihVerifikasi.

   Amazon ML-memvalidasi lokasi data Anda.

10. Pilih Continue (Lanjutkan).

11. UntukTujuan S3, ketik nama lokasi Amazon S3 tempat Anda mengunggah file di Langkah 1: Siapkan Data Anda. Amazon ML-upload hasil prediksi di sana.

12. UntukNama prediksi Batch, terima default,Batch prediction: ML model: Banking Data 1. Amazon IL memilih nama default berdasarkan model yang akan digunakan untuk membuat prediksi. Dalam tutorial ini, model dan prediksi dinamai berdasarkan sumber data pelatihan,Banking Data 1.

13. Pilih Tinjau.

14. DiIzin S3kotak dialog, pilihya.

    

15. PadaTinjauhalaman, pilihSelesai.

    Permintaan prediksi batch dikirim ke Amazon IL dan dimasukkan ke dalam antrian. Waktu yang dibutuhkan Amazon untuk memproses prediksi batch tergantung pada ukuran sumber data Anda dan kompleksitas model ML-mu. Sementara Amazon ML-memproses permintaan tersebut, aplikasi ini melaporkan statusDalam Progres. Setelah prediksi batch selesai, status permintaan berubah menjadiCompleted (Lengkap). Sekarang Anda dapat melihat hasilnya.

Untuk melihat prediksi

1. PilihAmazon Machine Learning, dan kemudian pilihPrediksi Batch.

   

2. Dalam daftar prediksi, pilihprediksi Batch: Model L: Data Perbankan 1. ParameterInfo prediksi BatchHalaman akan muncul.

   

3. Untuk melihat hasil prediksi batch, buka Konsol Amazon S3 dihttps://console.aws.amazon.com/s3/dan navigasikan ke lokasi Amazon S3 yang direferensikan dalamURL Outputbidang. Dari sana, arahkan ke folder hasil, yang akan memiliki nama yang mirip dengans3://aml-data/batch-prediction/result.

   

   Prediksi disimpan dalam file.gzip terkompresi dengan ekstensi.gz.

4. Download file prediksi ke desktop Anda, uncompress, dan membukanya.

   

   File ini memiliki dua kolom,Jawaban terbaikdanSkor, dan baris untuk setiap pengamatan di datasource Anda. Hasil dalamJawaban terbaikkolom didasarkan pada ambang skor 0.77 yang Anda tetapkanLangkah 4: Tinjau Kinerja Prediktif Model L dan Tetapkan Ambang Skor. SEBUAHSkorLebih besar dari 0,77 hasil dalamJawaban terbaikdari 1, yang merupakan respon positif atau prediksi, danSkorkurang dari 0,77 hasilJawaban terbaikdari 0, yang merupakan respon negatif atau prediksi.

   Contoh berikut menunjukkan prediksi positif dan negatif berdasarkan ambang skor 0.77.

Prediksi positif:

Dalam contoh ini, nilai untukJawaban terbaikadalah 1, dan nilaiSkoradalah 0.8228876. Nilai untukJawaban terbaikadalah 1 karenaSkorlebih besar dari ambang skor 0,77. SEBUAHJawaban terbaikdari 1 menunjukkan bahwa pelanggan kemungkinan untuk membeli produk Anda, dan, oleh karena itu, dianggap sebagai prediksi positif.

Prediksi negatif:

Dalam contoh ini, nilaiJawaban terbaikadalah 0 karenaSkoradalah 0,7695356, yang kurang dari ambang skor 0,77. ParameterJawaban terbaikdari 0 menunjukkan bahwa pelanggan tidak mungkin untuk membeli produk Anda, dan, karena itu, dianggap sebagai prediksi negatif.

Setiap baris hasil batch sesuai dengan baris dalam input batch Anda (observasi di sumber data Anda).

Setelah menganalisis prediksi, Anda dapat menjalankan kampanye pemasaran yang ditargetkan; misalnya, dengan mengirimkan selebaran kepada semua orang dengan skor prediksi1.

Sekarang Anda telah membuat, meninjau, dan menggunakan model Anda,membersihkan data dan sumber daya AWS yang Anda buatuntuk menghindari biaya yang tidak perlu dan untuk menjaga ruang kerja Anda rapi.