配置训练时使用的列 - Amazon Personalize
配置训练时使用的列 (Amazon CLI)配置训练时使用的列 (Amazon SDKs)
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

配置训练时使用的列

重要

默认情况下，所有新解决方案都使用自动训练。如果使用自动训练，则在解决方案处于活动状态时，就会产生训练费用。为避免产生不必要的费用，在完成后，可以更新解决方案以关闭自动训练。有关训练费用的信息，请参阅 Amazon Personalize 定价。

如果您的配方生成了物品建议或用户细分，则可以修改 Amazon Personalize 在创建解决方案版本（训练模型）时考虑的列。

您可以更改训练时使用的列，以控制 Amazon Personalize 在训练模型（创建解决方案版本）时使用的数据。您可以这样做，以试验不同的训练数据组合；也可以排除无有意义数据的列。例如，可能有一列，您只想将其用来筛选建议。您可以将此列排除在训练之外，Amazon Personalize 只有在筛选时才会考虑该列。

您不能排除 EVENT _ TYPE 列。默认情况下，Amazon Personalize 使用可在训练时采用的所有列。始终从训练中排除以下数据：

  • 具有布尔数据类型的列

  • 展示数据

  • 既不是分类也不是文本的自定义字符串字段

您不能在训练中包括展示数据，但如果您的应用场景或配方使用了这些数据，Amazon Personalize 会在您获取建议时使用展示数据来指导浏览。

如果您已经创建了一个解决方案，并且想要修改它在训练时使用的列，则可以克隆该解决方案。克隆解决方案时，您可以使用现有解决方案的配置（例如食谱和超参数）作为起点，并根据需要进行任何更改。有关更多信息，请参阅 克隆解决方案（控制台）。

您可以配置 Amazon Personalize 在使用亚马逊个性化控制台进行培训时使用的列， Amazon Command Line Interface (Amazon CLI) 或 Amazon SDK。有关使用 Amazon Personalize 控制台选择列的信息，请参阅创建解决方案（控制台）中的高级配置步骤。创建解决方案后，您可以在 Amazon Personalize 控制台的解决方案详情页面或通过 DescribeSolution 操作，查看解决方案使用的列。

配置训练时使用的列 (Amazon CLI)

要将列排除在训练之外，请在解决方案配置期间，在 trainingDataConfig 中提供 excludedDatasetColumns 对象。对于每个键，提供数据集类型。对于每个值，提供要排除的列的列表。以下代码显示了如何在通过 Amazon CLI创建解决方案时将列排除在训练之外。

aws personalize create-solution \
--name solution name \
--dataset-group-arn dataset group ARN \
--recipe-arn recipe ARN \
--solution-config "{\"trainingDataConfig\": {\"excludedDatasetColumns\": { \"datasetType\" : [ \"column1Name\", \"column2Name\"]}}}"

配置训练时使用的列 (Amazon SDKs)

要将列排除在训练之外，请在解决方案配置期间，在 trainingDataConfig 中提供 excludedDatasetColumns 对象。对于每个键，提供数据集类型。对于每个值，提供要排除的列的列表。以下代码显示了在使用 for Python (Boto3) 创建解决方案时如何将SDK列排除在训练之外。

import boto3

personalize = boto3.client('personalize')

create_solution_response = personalize.create_solution(
  name = 'solution name',
  recipeArn = 'recipe ARN',
  datasetGroupArn = 'dataset group ARN',
  solutionConfig = {
    "trainingDataConfig": {
      "excludedDatasetColumns": { 
          "datasetType": ["COLUMN_A", "COLUMN_B"]
      }
    }
  }
)
solution_arn = create_solution_response['solutionArn']
print('solution_arn: ', solution_arn)