步骤 5：使用 ML 模型生成预测

Amazon Machine Learning (Amazon ML) 可以生成两种类型的预测 — 批量和实时。

实时预测是 Amazon ML 按需生成的单个观察的预测。实时预测适用于移动应用程序、网站和其他需要以交互方式使用结果的应用程序。

批量预测是对一组观察的预测集。Amazon ML 在批量预测中将记录放在一起处理，因此处理可能需要一些时间。对于应用程序，如果需要的是对一组观察进行的预测或者无需交互使用结果的预测。

在本教程中，您将生成实时预测，预测一位潜在客户是否将订阅新产品。您还会为一大批潜在客户生成预测。对于批量预测，您将使用您在banking-batch.csv中上传的步骤 1：准备数据文件。

我们从实时预测开始。

注意

对于需要实时预测的应用程序，您必须为 ML 模型创建实时终端节点。在实时终端节点可用时，您会产生费用。在您承诺使用实时预测并开始产生与之相关的费用之前，您可以尝试在 Web 浏览器中使用实时预测功能，无需创建实时终端节点。这就是我们将在本教程中完成的操作。

尝试实时预测

在 ML 模型报告导航窗格中，选择尝试实时预测。
选择粘贴记录。

在粘贴记录对话框中，粘贴以下观察：


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

在粘贴记录对话框中，选择提交以确认您希望为此观察生成预测。Amazon ML 填充实时预测表单中的值。

注意
您还可以通过键入单个值来填充值字段。不论选择哪种方法，您应提供未用于训练模型的观察。
在页面底部，选择创建预测。

预测显示在右侧的预测结果窗格中。此预测具有为 0 的预测标签，这意味着此潜在客户不太可能响应市场活动。预测标签 为 1 意味着可能有可能响应市场活动。

现在，创建批量预测。您向 Amazon ML 提供所用 ML 模型的名称；希望为其生成预测的输入数据（Amazon ML 将从此数据创建批量预测数据源）的 Amazon Simple Storage Service (Amazon S3) 位置；用于存储结果的 Amazon S3 位置。

创建批量预测

选择 Amazon Machine Learning，然后选择批量预测。
选择创建新批量预测。
在用于批量预测的 ML 模型页面上，选择ML 模型: 银行数据 1。

Amazon ML 显示 ML 模型名称、ID、创建时间以及关联的数据源 ID。
选择继续。
要生成预测，您需要向 Amazon ML 提供所要进行预测的数据。这称为输入数据。首先，将输入数据移入数据源以便 Amazon ML 访问。

对于找到输入数据，选择我的数据在 S3 中，并且我需要创建数据源。
为数据源名称 键入 Banking Data 2。
对于 SS3 位置，键入 banking-batch.csv 文件的完整位置：your-bucket/banking-batch.csv。
对于您的 CSV 中的第一行是否包含列名?，选择是。
选择验证。

Amazon ML 验证您数据的位置。
选择继续。
对于 S3 目标，键入您在“步骤 1：准备您的数据”中上传文件到 Amazon S3 位置的名称。Amazon ML 将预测结果上传到这里。
对于批量预测名称，接受默认值 Batch prediction: ML model: Banking Data 1。Amazon ML 根据将用于创建预测的模型选择默认名称。在本教程中，模型和预测根据训练数据源 Banking Data 1 命名。
选择审核。
在 S3 权限对话框中，选择是。
在审核页面上，选择完成。

批量预测请求发送到 Amazon ML 并进入队列中。Amazon ML 处理批量预测所用的时间取决于您数据源的大小以及 ML 模型的复杂性。Amazon ML 处理请求时，它将状态报告为正在进行。批量预测完成后，请求的状态更改为完成。现在，您可以查看结果。

查看预测

选择 Amazon Machine Learning，然后选择批量预测。
在预测列表中，选择批量预测: ML 模型: 银行数据 1。此时显示批量预测信息页面。
要查看批量预测的结果，请转到 Amazon S3 控制台（网址为 https://console.aws.amazon.com/s3/）并导航到输出 S3 URL 字段中引用的 Amazon S3 位置。从该处导航到结果文件夹，其名称将类似于 s3://aml-data/batch-prediction/result。

预测存储在压缩的 .gzip 文件中，扩展名为 .gz。
下载预测文件到您的桌面，解压缩，然后打开它。

该文件有两列 bestAnswer 和 score，数据源中的每个观察为一行。bestAnswer 列中的结果是基于您在步骤 4：查看 ML 模型的预测性能和设置分数阈值中设置的评分阈值 0.77。大于 0.77 的 score 会导致 bestAnswer 为 1，这是正向响应或预测，小于 0.77 的 score 会导致 bestAnswer 为 0，这是负向响应或预测。

以下示例基于 0.77 的分数阈值显示正向和负向预测。