示例:使用 Amazon 探索建模 SageMaker Autopilot - Amazon SageMaker
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

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。

示例:使用 Amazon 探索建模 SageMaker Autopilot

亚马逊 SageMaker Autopilot 提供以下示例笔记本。

  • 亚马逊的直接营销 SageMaker Autopilot:本笔记本演示了如何使用银行营销数据集预测客户是否会在银行注册定期存款。您可以在此数据集中使用 Autopilot,通过探索各种候选管道中包含的选项来获得最准确的 ML 管道。Autopilot 通过两步过程生成每个候选人。第一步对数据集执行自动实施的特征工程。第二步训练和优化算法以生成模型。该笔记本包含有关如何训练模型以及如何部署模型以使用最佳候选项执行批量推断的说明。

  • 亚马逊的客户流失预测 SageMaker Autopilot:该笔记本介绍使用机器学习自动识别不满意的客户,也称为客户流失预测。该示例说明如何分析公开提供的数据集并对其执行特征工程。接下来,它展示如何通过选择性能最佳的管道以及用于训练算法的最佳超参数来优化模型。最后,它演示了如何将模型部署到托管终端节点以及如何根据实际情况评估其预测结果。但是,ML 模型很少提供完美的预测。这就是为什么该笔记本还展示在确定使用 ML 的财务结果时如何考虑预测错误的相对成本。

  • 亚马逊的顶级候选人客户流失预测 SageMaker 自动驾驶仪和 Batch 转换 (Python SDK):该笔记本还介绍使用机器学习自动识别不满意的客户,也称为客户流失预测。本笔记本演示了如何配置模型以获取推理概率、选择前 N 个模型以及在暂停测试集上进行 Batch 转换以进行评估。

    注意

    这款笔记本适用于 SageMaker Python SDK >= 1.65.1 已于 2020 年 6 月 19 日发布。

  • 将您自己的数据处理代码带入亚马逊 SageMaker Autopilot:本笔记本演示了使用亚马逊时如何合并和部署自定义数据处理代码 SageMaker Autopilot. 它添加了自定义功能选择步骤,以便将不相关的变量移除到 Autopilot 作业中。然后,它展示了如何在实时终端上部署自定义处理代码和 Autopilot 生成的模型,或者用于批处理。