ノートブックの例: Amazon SageMaker Autopilot でモデリングを調べる

Amazon SageMaker Autopilot には、次のサンプルノートブックが用意されています。

• Amazon SageMaker Autopilot を使用したダイレクトマーケティング: このノートブックでは、 が銀行マーケティングデータセットを使用して、顧客が銀行で定期払いに登録するかどうかを予測する方法を示します。このデータセットで Autopilot を使用し、さまざまな候補パイプラインに含まれるオプションを検討することで、最も正確な機械学習パイプラインを得ることができます。Autopilot は、2 ステップの手順で各候補を生成します。最初のステップでは、データセットに対して自動化された特徴量エンジニアリングを実行します。2 番目のステップでは、モデルを生成するためにアルゴリズムをトレーニングおよび調整します。このノートブックには、モデルのトレーニング方法と、モデルをデプロイして最適な候補を使用してバッチ推論を実行する方法の手順が含まれています。

• Amazon SageMaker Autopilot による顧客離れの予測: このノートブックでは、顧客離れの予測とも呼ばれる、満足していない顧客を自動的に特定するための機械学習の使用について説明します。このサンプルでは、公開されているデータセットを分析し、そのデータセットに対して特徴量エンジニアリングを実行する方法を示しています。次に、トレーニングアルゴリズムに最適なハイパーパラメータとともに、最もパフォーマンスの高いパイプラインを選択して、モデルを調整する方法を示します。最後に、ホストされたエンドポイントにモデルをデプロイする方法と、その予測をグラウンドトゥルースに照らして評価する方法を示します。ただし、機械学習モデルから完全な予測が得られることはめったにありません。したがって、このノートブックでは、機械学習使用の財務的結果を決定する際に、予測ミスの相対コストをどのように取り込むかについても説明します。

• Amazon SageMaker Autopilot とバッチ変換 (Python SDK) による顧客離れの上位候補予測: このノートブックでは、顧客離れ予測とも呼ばれる、満足していない顧客を自動的に特定するための機械学習の使用についても説明します。このノートブックでは、推論確率を取得するようにモデルを設定して、上位 N 個のモデルを選択し、評価のために保留テストセットでバッチ変換を行う方法を示します。

  注記

  このノートブックは、6/19/2020 にリリースされた SageMaker Python SDK >= 1.65.1 で動作します。

• 独自のデータ処理コードを Amazon SageMaker Autopilot に取り込む: このノートブックでは、Amazon SageMaker Autopilot を使用する際にカスタムデータ処理コードを組み込んでデプロイする方法を示しています。これにより、Autopilot ジョブに無関係な変数を削除するカスタムの特徴選択ステップが追加されます。次に、Autopilot によって生成されたカスタム処理コードとモデルの両方をリアルタイムエンドポイントに、またはバッチ処理用に、デプロイする方法について説明します。