示例:探索使用 Amazon SageMaker Autopilot 建模 - Amazon SageMaker
AWS 文档中描述的 AWS 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 AWS 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:探索使用 Amazon SageMaker Autopilot 建模

Amazon SageMaker Autopilot 提供以下示例笔记本。

  • 使用 Amazon SageMaker Autopilot 直接营销:此笔记本演示 如何使用银行营销数据集来预测客户是否会在银行注册定期存款。您可以对此数据集使用 Autopilot,通过浏览各种候选管道中包含的选项以获得最精确的 ML 管道。Autopilot 在一个两步过程中生成每个候选项。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。此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。

  • 使用 Amazon SageMaker Autopilot 进行客户流失预测:此笔记本介绍了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,它演示如何将模型部署到托管终端节点,并根据基本事实评估其预测结果。不过,ML 模型很少会提供完美的预测,因此,该笔记本还涉及在确定使用 ML 的财务结果时如何考虑预测错误的相对成本。

  • 最佳候选项 使用 Amazon SageMaker Autopilot 和批量转换(Python 开发工具包)进行客户流失预测:此笔记本还介绍了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。此笔记本演示如何配置模型以获取推理概率,选择前 N 个模型,以及在保留测试集上进行批量转换进行评估。

    注意

    此笔记本适用于 SageMaker Python 开发工具包 >= 1.65.1(2020 年 6 月 19 日发布)。

  • 将您自己的数据处理代码引入 SageMaker Autopilot:此笔记本演示了如何在使用 Amazon SageMaker Autopilot 时合并和部署自定义数据处理代码。它添加了自定义功能选择步骤,以便将不相关的变量删除至 Autopilot 作业。然后,它演示了如何在实时终端节点上部署 Autopilot 生成的自定义处理代码和模型,或者部署用于批处理。