第 6 步:评估模型 - 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。

第 6 步:评估模型

现在,您使用 Amazon SageMaker 训练并部署了一个模型,请评估该模型以确保它为新数据生成准确的预测。对于模型评估,请使用您在第 3 步:下载、浏览和转换数据集.

评估部署到 SageMaker 托管服务的模型

要评估模型并在生产中使用该模型,请使用测试数据集调用该终端节点,并检查您获取的推理是否返回要实现的目标精度。

评估模型

  1. 设置以下函数来预测测试集的每一行。在以下示例代码中,rows参数是指定一次要预测的行数。您可以更改它的值,以执行充分利用实例硬件资源的批量推理。

    import numpy as np def predict(data, rows=1000): split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1)) predictions = '' for array in split_array: predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')]) return np.fromstring(predictions[1:], sep=',')
  2. 运行以下代码对测试数据集进行预测并绘制直方图。您只需获取测试数据集的要素列,不包括实际值的第 0 列。

    import matplotlib.pyplot as plt predictions=predict(test.to_numpy()[:,1:]) plt.hist(predictions) plt.show()
    
                        预测值的直方图。
  3. 预测值为浮点型。确定True或者False基于浮点值,则需要设置一个截止值。如以下示例代码所示,使用 Scikit-Learning 库返回截止值为 0.5 的输出混淆度量和分类报告。

    import sklearn cutoff=0.5 print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0))) print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))

    这应返回以下混淆矩阵:

    
                        获取部署模型推理后混淆矩阵和统计数据的示例。
  4. 要使用给定的测试集找到最佳截止值,请计算 Logistic 回归的对数损失函数。对数丢失函数被定义为返回其地面真相标签的预测概率的 Logistic 模型的负对数似然。以下示例代码以数字和迭代方式计算对数丢失值(-(y*log(p)+(1-y)log(1-p)),其中y是真正的标签,p是相应检验样本的概率估计值。它返回对数丢失与截止图。

    import matplotlib.pyplot as plt cutoffs = np.arange(0.01, 1, 0.01) log_loss = [] for c in cutoffs: log_loss.append( sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0)) ) plt.figure(figsize=(15,10)) plt.plot(cutoffs, log_loss) plt.xlabel("Cutoff") plt.ylabel("Log loss") plt.show()

    这应返回以下对数丢失曲线。

  5. 使用 NumPy 查找误差曲线的最小点argminmin函数:

    print( 'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)], ', and the log loss value at the minimum is ', np.min(log_loss) )

    这应返回:Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897.

    您可以估计成本函数作为替代方法,而不是计算和最小化日志丢失函数。例如,如果要训练模型以对业务问题(如客户流失预测问题)执行二进制分类,则可以为混淆矩阵元素设置权重,并相应地计算成本函数。

现在,您在 SageMaker 中训练、部署并评估了第一个模型。

提示

要监控模型质量、数据质量和偏差漂移,请使用 Amazon SageMaker 型号监视器和 SageMaker 澄清。要了解更多信息,请参阅Amazon SageMaker 型号监控器监控数据质量监控模型质量监视器偏置漂移, 和监视功能归因漂移.

提示

要获得低置信度 ML 预测的人工审查或预测的随机样本,请使用 Amazon Augmented AI 人工审查工作流程。有关更多信息,请参阅 。将 Amazon EAugmented AI 于人体审查.