示例笔记本：探索使用 Amazon SageMaker Autopilot 建模

通过 Amazon SageMaker Autopilot 直接营销：此笔记本演示如何使用银行市场营销数据集来预测客户是否将在银行办理定期存款。您可以对此数据集使用 Autopilot，通过探索各种候选管道中包含的选项来获得最精确的 ML 管道。Autopilot 在一个两步过程中生成每个候选模型。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。此笔记本包含了说明，介绍如何训练模型以及如何部署模型以使用最佳候选模型执行批量推理。

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。此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端点，以及如何根据基本事实评估其预测结果。但是，ML 模型很少能给出完美的预测。因此，此笔记本还演示了在确定使用 ML 的财务结果时，如何考虑预测错误的相对成本。

使用 Amazon SageMaker Autopilot 和批量转换进行客户流失预测的最佳候选模型 (Python SDK)：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。此笔记本演示了如何配置模型以获取推理概率、选择前 N 个模型以及在留存测试集上进行批量转换以进行评估。

将自己的数据处理代码引入 Amazon SageMaker Autopilot 中：此笔记本演示了在使用 Amazon SageMaker Autopilot 时如何合并和部署自定义数据处理代码。它添加了自定义特征选择步骤，以删除 Autopilot 作业中不相关的变量。然后，它展示了如何在实时端点上部署自定义处理代码和 Autopilot 生成的模型，或者用于批处理。