अमेज़ॅन सैजमेकर ऑटोपायलट फीचर इंजीनियरिंग, प्रशिक्षण, ट्यूनिंग और अनुमान के लिए एक एमएल मॉडल को तैनात करने के चरणों को स्वचालित करके एंड-टू-एंड मशीन लर्निंग (एमएल) वर्कफ़्लो को पूरा करने में आपकी सहायता करता है। आप भविष्यवाणी करने के लिए सेजमेकर ऑटोपायलट को एक सारणीबद्ध डेटा सेट और एक लक्ष्य विशेषता प्रदान करते हैं। फिर, सेजमेकर ऑटोपायलट स्वचालित रूप से आपके डेटा, ट्रेनों, धुनों, रैंकों का पता लगाता है और सर्वोत्तम मॉडल ढूंढता है। अंत में, आप एक क्लिक से अनुमान के लिए इस मॉडल को उत्पादन में तैनात कर सकते हैं।
नया क्या है?
नया लॉन्च किया गया फीचर, सेजमेकर ऑटोपायलट मॉडल गुणवत्ता रिपोर्ट, अब प्रतिगमन और वर्गीकरण समस्याओं के लिए आपके मॉडल के प्रदर्शन में बेहतर दृश्यता प्रदान करने के लिए आपके मॉडल के मेट्रिक्स की रिपोर्ट करता है। मॉडल लीडरबोर्ड में सर्वश्रेष्ठ मॉडल के बारे में अधिक जानकारी इकट्ठा करने के लिए आप इन मेट्रिक्स का लाभ उठा सकते हैं।
ये मेट्रिक्स और रिपोर्ट जो सर्वोत्तम मॉडल के "मॉडल विवरण" के तहत एक नए "प्रदर्शन" टैब में उपलब्ध हैं, उनमें भ्रम मैट्रिक्स, रिसीवर ऑपरेटिंग विशेषता (एयूसी-आरओसी) वक्र के तहत एक क्षेत्र और सटीक-रिकॉल वक्र के तहत एक क्षेत्र शामिल है। (एयूसी-पीआर)। ये मेट्रिक्स आपको झूठी सकारात्मकता/झूठी नकारात्मकता (एफपी/एफएन), सच्ची सकारात्मकता (टीपी) और झूठी सकारात्मकता (एफपी) के बीच ट्रेडऑफ़, साथ ही सर्वोत्तम मॉडल प्रदर्शन विशेषताओं का आकलन करने के लिए सटीकता और रिकॉल के बीच ट्रेडऑफ़ को समझने में मदद करते हैं।
सेजमेकर ऑटोपायलट प्रयोग चलाना
डेटा सेट
हम का उपयोग करें यूसीआई का बैंक मार्केटिंग डेटा सेट सेजमेकर ऑटोपायलट मॉडल गुणवत्ता रिपोर्ट प्रदर्शित करने के लिए। इस डेटा में ग्राहक की विशेषताएं शामिल हैं, जैसे कि उम्र, नौकरी का प्रकार, वैवाहिक स्थिति और अन्य जिनका उपयोग हम यह अनुमान लगाने के लिए करेंगे कि ग्राहक बैंक में खाता खोलेगा या नहीं। डेटा सेट इस खाते को सावधि जमा के रूप में संदर्भित करता है। यह हमारे मामले को एक द्विआधारी वर्गीकरण समस्या बनाता है - भविष्यवाणी या तो "हाँ" या "नहीं" होगी। संभावित ग्राहकों की सर्वोत्तम भविष्यवाणी करने के लिए सेजमेकर ऑटोपायलट हमारी ओर से कई मॉडल तैयार करेगा। फिर, हम सेजमेकर ऑटोपायलट के लिए मॉडल गुणवत्ता रिपोर्ट की जांच करेंगे सबसे अच्छा मॉडल.
.. पूर्वापेक्षाएँ
सेजमेकर ऑटोपायलट प्रयोग शुरू करने के लिए, आपको पहले अपना डेटा एक में रखना होगा अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बाल्टी। वह बकेट और उपसर्ग निर्दिष्ट करें जिसे आप प्रशिक्षण के लिए उपयोग करना चाहते हैं। सुनिश्चित करें कि बकेट सेजमेकर ऑटोपायलट प्रयोग के समान क्षेत्र में है। आपको यह भी सुनिश्चित करना होगा कि आइडेंटिटी एंड एक्सेस मैनेजमेंट (IAM) भूमिका ऑटोपायलट के पास Amazon S3 में डेटा तक पहुंचने की अनुमति है।
प्रयोग बनाना
सेजमेकर स्टूडियो में सेजमेकर ऑटोपायलट प्रयोग बनाने के लिए आपके पास कई विकल्प हैं। एक नया लॉन्चर खोलकर, आप सीधे सेजमेकर ऑटोपायलट तक पहुंचने में सक्षम हो सकते हैं। यदि नहीं, तो आप बाईं ओर सेजमेकर संसाधन आइकन का चयन कर सकते हैं। अगला, आप चयन कर सकते हैं प्रयोग और परीक्षण ड्रॉप-डाउन मेनू से
- अपने प्रयोग को एक नाम दें.
- Amazon S3 बकेट और फ़ाइल नाम का चयन करके अपने डेटा स्रोत से कनेक्ट करें।
- Amazon S3 में आउटपुट डेटा स्थान चुनें।
- अपने डेटा सेट के लिए लक्ष्य कॉलम चुनें। इस मामले में, हम हां/नहीं दर्शाने के लिए "y" कॉलम को लक्षित कर रहे हैं।
- वैकल्पिक रूप से, यदि आप चाहते हैं कि सेजमेकर ऑटोपायलट स्वचालित रूप से एक मॉडल एंडपॉइंट तैनात करे तो एक एंडपॉइंट नाम प्रदान करें।
- अन्य सभी उन्नत सेटिंग्स को डिफ़ॉल्ट के रूप में छोड़ दें, और चयन करें प्रयोग बनाएँ.
एक बार प्रयोग पूरा हो जाने पर, आप सेजमेकर स्टूडियो में परिणाम देख सकते हैं। सेजमेकर ऑटोपायलट अपने द्वारा प्रशिक्षित विभिन्न मॉडलों में से सर्वश्रेष्ठ मॉडल पेश करेगा। आप विभिन्न परीक्षणों के विवरण और परिणाम देख सकते हैं, लेकिन हम मॉडल गुणवत्ता रिपोर्ट के उपयोग को प्रदर्शित करने के लिए सर्वोत्तम मॉडल का उपयोग करेंगे।
- मॉडल का चयन करें, और राइट-क्लिक करें मॉडल विवरण में खोलें.
- मॉडल विवरण के अंतर्गत, का चयन करें प्रदर्शन टैब. यह विज़ुअलाइज़ेशन और प्लॉट के माध्यम से मॉडल मेट्रिक्स दिखाता है।
- के अंतर्गत प्रदर्शन, चुनते हैं प्रदर्शन रिपोर्ट डाउनलोड करें पीडीएफ के रूप में.
सेजमेकर ऑटोपायलट मॉडल गुणवत्ता रिपोर्ट की व्याख्या करना
मॉडल गुणवत्ता रिपोर्ट सेजमेकर ऑटोपायलट कार्य और मॉडल विवरण का सारांश प्रस्तुत करती है। हम रिपोर्ट के पीडीएफ प्रारूप पर ध्यान केंद्रित करेंगे, लेकिन आप परिणामों को JSON के रूप में भी एक्सेस कर सकते हैं। क्योंकि सेजमेकर ऑटोपायलट ने हमारे डेटा सेट को बाइनरी वर्गीकरण समस्या के रूप में निर्धारित किया, सेजमेकर ऑटोपायलट का लक्ष्य अधिकतम करना था F1 गुणवत्ता मीट्रिक सबसे अच्छा मॉडल खोजने के लिए. सेजमेकर ऑटोपायलट इसे डिफ़ॉल्ट रूप से चुनता है। हालाँकि, सटीकता और एयूसी जैसे अन्य वस्तुनिष्ठ मेट्रिक्स चुनने में लचीलापन है। हमारे मॉडल का F1 स्कोर 0.61 है। एफ1 स्कोर की व्याख्या करने के लिए, पहले एक भ्रम मैट्रिक्स को समझने में मदद मिलती है, जिसे आउटपुट पीडीएफ में मॉडल गुणवत्ता रिपोर्ट द्वारा समझाया गया है।
असमंजस का जाल
एक भ्रम मैट्रिक्स विभिन्न वर्गों और लेबलों की तुलना करके मॉडल के प्रदर्शन की कल्पना करने में मदद करता है। सेजमेकर ऑटोपायलट प्रयोग ने एक भ्रम मैट्रिक्स बनाया जो मॉडल गुणवत्ता रिपोर्ट में वास्तविक लेबल को पंक्तियों के रूप में और अनुमानित लेबल को कॉलम के रूप में दिखाता है। ऊपरी-बाएँ बॉक्स में उन ग्राहकों को दिखाया गया है जिन्होंने बैंक में खाता नहीं खोला था, जिनका मॉडल द्वारा 'नहीं' के रूप में सही अनुमान लगाया गया था। ये हैं सच नकारात्मक (टीएन)। निचले दाएं बॉक्स में उन ग्राहकों को दिखाया गया है जिन्होंने बैंक में खाता खोला था और मॉडल द्वारा 'हां' के रूप में सही भविष्यवाणी की गई थी। ये हैं सच्ची सकारात्मकता (पीटी)।
नीचे-बाएँ कोने की संख्या दर्शाता है झूठे नकारात्मक (एफएन)। मॉडल ने भविष्यवाणी की थी कि ग्राहक खाता नहीं खोलेगा, लेकिन ग्राहक ने खाता खोला। ऊपरी-दाएँ कोने की संख्या दर्शाता है झूठी सकारात्मक (एफपी). मॉडल ने भविष्यवाणी की थी कि ग्राहक एक खाता खोलेगा, लेकिन ग्राहक ने ऐसा किया नहीं वास्तव में ऐसा करो.
मॉडल गुणवत्ता रिपोर्ट मेट्रिक्स
मॉडल गुणवत्ता रिपोर्ट बताती है कि गणना कैसे करें झूठी सकारात्मक दर (एफपीआर) और सच्ची सकारात्मक दर (टीपीआर).
स्मरण या गलत सकारात्मक दर (एफपीआर) खाता खोलने (सकारात्मक) के रूप में गलत भविष्यवाणी की गई वास्तविक नकारात्मकताओं के अनुपात को मापता है। सीमा 0 से 1 है, और एक छोटा मान बेहतर पूर्वानुमान सटीकता को इंगित करता है।
ध्यान दें कि एफपीआर को 1-विशिष्टता के रूप में भी व्यक्त किया जाता है, जहां विशिष्टता या वास्तविक नकारात्मक दर (टीएनआर) खाता न खोलने (नकारात्मक) के रूप में सही ढंग से पहचाने गए टीएन का अनुपात है।
स्मरण/संवेदनशीलता/सच्ची सकारात्मक दर (टीपीआर) खाता खोलने के दौरान अनुमानित वास्तविक सकारात्मकताओं के अंश को मापता है। सीमा भी 0 से 1 है, और बड़ा मान बेहतर पूर्वानुमान सटीकता को इंगित करता है। इसे रिकॉल/सेंसिटिविटी के नाम से भी जाना जाता है। यह माप डेटासेट में सभी प्रासंगिक उदाहरणों को खोजने की क्षमता व्यक्त करता है।
शुद्धता उन वास्तविक सकारात्मकताओं के अंश को मापता है जिनकी सकारात्मक के रूप में भविष्यवाणी की गई थी। सीमा 0 से 1 है, और बड़ा मान बेहतर सटीकता को इंगित करता है। परिशुद्धता उन डेटा बिंदुओं के अनुपात को व्यक्त करती है जिनके बारे में हमारा मॉडल कहता है कि यह प्रासंगिक था और जो वास्तव में प्रासंगिक थे। परिशुद्धता पर विचार करना एक अच्छा उपाय है, खासकर जब एफपी की लागत अधिक होती है - उदाहरण के लिए ईमेल स्पैम का पता लगाना।
हमारा मॉडल 0.53 की सटीकता और 0.72 का रिकॉल दिखाता है।
एफ 1 स्कोर हमारे लक्ष्य मीट्रिक को प्रदर्शित करता है, जो परिशुद्धता और रिकॉल का हार्मोनिक माध्य है। क्योंकि हमारा डेटा सेट कई 'नहीं' भविष्यवाणियों के पक्ष में असंतुलित है, एफ1 सटीकता और रिकॉल को समान महत्व देने के लिए एफपी और एफएन दोनों को ध्यान में रखता है।
रिपोर्ट बताती है कि इन मैट्रिक्स की व्याख्या कैसे की जाए। यदि आप इन शर्तों से अपरिचित हैं तो इससे मदद मिल सकती है। हमारे उदाहरण में, बाइनरी वर्गीकरण समस्या के लिए सटीकता और रिकॉल महत्वपूर्ण मीट्रिक हैं, क्योंकि उनका उपयोग F1 स्कोर की गणना करने के लिए किया जाता है। रिपोर्ट बताती है कि F1 स्कोर 0 और 1 के बीच भिन्न हो सकता है। सर्वोत्तम संभव प्रदर्शन का स्कोर 1 होगा, जबकि 0 सबसे खराब प्रदर्शन का संकेत देगा। याद रखें कि हमारे मॉडल का F1 स्कोर 0.61 है।
एफβ स्कोर परिशुद्धता और स्मरण का भारित हार्मोनिक माध्य है। इसके अलावा, F1 स्कोर β=1 के साथ Fβ के समान है। रिपोर्ट क्लासिफायरियर का Fβ स्कोर प्रदान करती है, जहां β 0.5, 1 और 2 लेता है।
मेट्रिक्स तालिका
समस्या के आधार पर, आप पा सकते हैं कि सेजमेकर ऑटोपायलट बहु-वर्ग वर्गीकरण समस्या के लिए सटीकता जैसे अन्य मीट्रिक को अधिकतम करता है। समस्या के प्रकार के बावजूद, मॉडल गुणवत्ता रिपोर्ट एक तालिका तैयार करती है जो आपके मॉडल के मेट्रिक्स को इनलाइन और पीडीएफ रिपोर्ट दोनों में सारांशित करती है। आप मीट्रिक तालिका के बारे में अधिक जान सकते हैं दस्तावेज़ीकरण.
सबसे अच्छा निरंतर क्लासिफायर - एक क्लासिफायर जो अन्य अधिक जटिल क्लासिफायर के मुकाबले तुलना करने के लिए एक सरल आधार रेखा के रूप में कार्य करता है - हमेशा उपयोगकर्ता द्वारा प्रदान किए गए निरंतर बहुमत लेबल की भविष्यवाणी करता है। हमारे मामले में, एक 'स्थिर' मॉडल 'नहीं' की भविष्यवाणी करेगा, क्योंकि यह सबसे अधिक बार होने वाला वर्ग है और इसे नकारात्मक लेबल माना जाता है। प्रशिक्षित क्लासिफायर मॉडल (जैसे कि एफ 1, एफ 2, या रिकॉल) के लिए मेट्रिक्स की तुलना निरंतर क्लासिफायरियर, यानी बेसलाइन से की जा सकती है। यह सुनिश्चित करता है कि प्रशिक्षित मॉडल निरंतर क्लासिफायरियर से बेहतर प्रदर्शन करता है। Fβ स्कोर (f0_5, f1, और f2, जहां β क्रमशः 0.5, 1 और 2 का मान लेता है) परिशुद्धता और रिकॉल का भारित हार्मोनिक माध्य है। यह 1 पर अपने इष्टतम मान और 0 पर अपने सबसे खराब मान पर पहुँच जाता है।
हमारे मामले में, सर्वोत्तम स्थिरांक वर्गीकरणकर्ता हमेशा 'नहीं' की भविष्यवाणी करता है। इसलिए, सटीकता 0.89 पर अधिक है, लेकिन रिकॉल, परिशुद्धता और एफβ स्कोर 0 हैं। यदि डेटासेट पूरी तरह से संतुलित है जहां कोई एकल बहुसंख्यक या अल्पसंख्यक वर्ग नहीं है, तो हमने परिशुद्धता, रिकॉल के लिए और अधिक दिलचस्प संभावनाएं देखी होंगी। और स्थिर वर्गीकारक का Fβ स्कोर।
इसके अलावा, आप इन परिणामों को JSON प्रारूप में देख सकते हैं जैसा कि निम्नलिखित नमूने में दिखाया गया है। आप यूआई के माध्यम से पीडीएफ और जेएसओएन दोनों फाइलों तक पहुंच सकते हैं अमेज़न SageMaker पायथन एसडीके में S3OutputPath तत्व का उपयोग करना आउटपुटडेटाकॉन्फ़िग में संरचना ऑटोएमएलजॉब बनाएं/ऑटोएमएलजॉब का वर्णन करें एपीआई प्रतिक्रिया.
{ "version" : 0.0, "dataset" : { "item_count" : 9152, "evaluation_time" : "2022-03-16T20:49:18.661Z" }, "binary_classification_metrics" : { "confusion_matrix" : { "no" : { "no" : 7468, "yes" : 648 }, "yes" : { "no" : 295, "yes" : 741 } }, "recall" : { "value" : 0.7152509652509652, "standard_deviation" : 0.00439996600081394 }, "precision" : { "value" : 0.5334773218142549, "standard_deviation" : 0.007335840278445563 }, "accuracy" : { "value" : 0.8969624125874126, "standard_deviation" : 0.0011703516093899595 }, "recall_best_constant_classifier" : { "value" : 0.0, "standard_deviation" : 0.0 }, "precision_best_constant_classifier" : { "value" : 0.0, "standard_deviation" : 0.0 }, "accuracy_best_constant_classifier" : { "value" : 0.8868006993006993, "standard_deviation" : 0.0016707401772078998 }, "true_positive_rate" : { "value" : 0.7152509652509652, "standard_deviation" : 0.00439996600081394 }, "true_negative_rate" : { "value" : 0.9201577131591917, "standard_deviation" : 0.0010233756436643213 }, "false_positive_rate" : { "value" : 0.07984228684080828, "standard_deviation" : 0.0010233756436643403 }, "false_negative_rate" : { "value" : 0.2847490347490348, "standard_deviation" : 0.004399966000813983 },
………………….
आरओसी और एयूसी
समस्या के प्रकार के आधार पर, एफपीआर के रूप में स्वीकार्य चीज़ों के लिए आपके पास अलग-अलग सीमाएँ हो सकती हैं। उदाहरण के लिए, यदि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कोई ग्राहक खाता खोलेगा या नहीं, तो व्यवसाय के लिए उच्च एफपी दर रखना अधिक स्वीकार्य हो सकता है। जिन ग्राहकों के लिए 'नहीं' की गलत भविष्यवाणी की गई थी, उन ग्राहकों को ऑफर देने से चूकना जोखिम भरा हो सकता है, बजाय इसके कि जिन ग्राहकों के लिए 'हां' की गलत भविष्यवाणी की गई थी, उन्हें ऑफर देना जोखिम भरा हो सकता है। विभिन्न एफपीआर तैयार करने के लिए इन सीमाओं को बदलने से आपको नई भ्रम की स्थिति पैदा करने की आवश्यकता होती है।
वर्गीकरण एल्गोरिदम निरंतर मान लौटाते हैं जिन्हें भविष्यवाणी संभावनाओं के रूप में जाना जाता है। इन संभावनाओं को बाइनरी मान (बाइनरी वर्गीकरण के लिए) में परिवर्तित किया जाना चाहिए। बाइनरी वर्गीकरण समस्याओं में, एक सीमा (या निर्णय सीमा) एक ऐसा मान है जो संभावनाओं को एक साधारण बाइनरी निर्णय में विभाजित करता है। 0 से 1 की सीमा में सामान्यीकृत अनुमानित संभावनाओं के लिए, सीमा डिफ़ॉल्ट रूप से 0.5 पर सेट है।
बाइनरी वर्गीकरण मॉडल के लिए, एक उपयोगी मूल्यांकन मीट्रिक रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक (आरओसी) वक्र के तहत क्षेत्र है। मॉडल गुणवत्ता रिपोर्ट में टीपी दर को वाई-अक्ष और एफपीआर को एक्स-अक्ष के साथ एक आरओसी ग्राफ शामिल है। रिसीवर ऑपरेटिंग विशेषता (एयूसी-आरओसी) के तहत क्षेत्र टीपीआर और एफपीआर के बीच व्यापार-बंद का प्रतिनिधित्व करता है।
आप एक बाइनरी वर्गीकरण भविष्यवक्ता लेकर, जो थ्रेशोल्ड मान का उपयोग करता है, और भविष्यवाणी संभावनाओं के साथ लेबल निर्दिष्ट करके एक आरओसी वक्र बनाते हैं। जैसे ही आप किसी मॉडल के लिए सीमा बदलते हैं, आप दो चरम सीमाओं को कवर करते हैं। जब टीपीआर और एफपीआर दोनों 0 हैं, तो इसका मतलब है कि हर चीज को "नहीं" लेबल किया गया है, और जब टीपीआर और एफपीआर दोनों 1 हैं तो इसका मतलब है कि हर चीज को "हां" लेबल किया गया है।
एक यादृच्छिक भविष्यवक्ता जो आधे समय में "हां" और आधे समय में "नहीं" का लेबल लगाता है, उसके पास एक आरओसी होगी जो एक सीधी विकर्ण रेखा (लाल-बिंदीदार रेखा) होगी। यह रेखा इकाई वर्ग को दो समान आकार के त्रिभुजों में काटती है। इसलिए, वक्र के नीचे का क्षेत्रफल 0.5 है। 0.5 के एयूसी-आरओसी मान का मतलब यह होगा कि आपका भविष्यवक्ता दो वर्गों के बीच भेदभाव करने में बेतरतीब ढंग से अनुमान लगाने से बेहतर नहीं था कि कोई ग्राहक खाता खोलेगा या नहीं। AUC-ROC मान 1.0 के जितना करीब होगा, इसकी भविष्यवाणियाँ उतनी ही बेहतर होंगी। 0.5 से नीचे का मान इंगित करता है कि हम वास्तव में अपने मॉडल द्वारा दिए गए उत्तर को उलट कर बेहतर भविष्यवाणियां कर सकते हैं। हमारे सर्वोत्तम मॉडल के लिए, AUC 0.93 है।
परिशुद्ध स्मरण वक्र
मॉडल क्वालिटी रिपोर्ट ने विभिन्न थ्रेशोल्ड के लिए परिशुद्धता (वाई-अक्ष) और रिकॉल (एक्स-अक्ष) को प्लॉट करने के लिए एक प्रिसिजन रिकॉल (पीआर) कर्व भी बनाया - आरओसी वक्र की तरह। पीआर कर्व्स, जो अक्सर सूचना पुनर्प्राप्ति में उपयोग किए जाते हैं, वर्ग वितरण में बड़े अंतर के साथ वर्गीकरण समस्याओं के लिए आरओसी कर्व्स का एक विकल्प हैं।
इन वर्ग असंतुलित डेटासेट के लिए, पीआर वक्र विशेष रूप से तब उपयोगी हो जाते हैं जब अल्पसंख्यक सकारात्मक वर्ग बहुसंख्यक नकारात्मक वर्ग की तुलना में अधिक दिलचस्प होता है। याद रखें कि हमारा मॉडल 0.53 की सटीकता और 0.72 का रिकॉल दिखाता है। इसके अलावा, याद रखें कि सर्वोत्तम स्थिरांक वर्गीकरणकर्ता 'हां' और 'नहीं' के बीच भेदभाव नहीं कर सकता है। यह हर बार एक यादृच्छिक वर्ग या स्थिर वर्ग की भविष्यवाणी करेगा।
'हां' और 'नहीं' के बीच एक संतुलित डेटासेट के लिए वक्र 0.5 पर एक क्षैतिज रेखा होगी, और इस प्रकार पीआर वक्र (एयूपीआरसी) के तहत एक क्षेत्र 0.5 होगा। पीआरसी बनाने के लिए, हम आरओसी वक्र की तरह ही, विभिन्न थ्रेशोल्ड पर वक्र पर विभिन्न मॉडलों को प्लॉट करते हैं। हमारे डेटा के लिए, AUPRC 0.61 है।
मॉडल गुणवत्ता रिपोर्ट आउटपुट
आप अमेज़ॅन S3 बकेट में मॉडल गुणवत्ता रिपोर्ट पा सकते हैं जिसे आपने सेजमेकर ऑटोपायलट प्रयोग चलाने से पहले आउटपुट पथ निर्दिष्ट करते समय निर्दिष्ट किया था। आपको रिपोर्टें इसके अंतर्गत मिलेंगी documentation/model_monitor/output/<autopilot model name>/ prefix
पीडीएफ के रूप में सहेजा गया।
निष्कर्ष
सेजमेकर ऑटोपायलट मॉडल गुणवत्ता रिपोर्ट आपके लिए सेजमेकर ऑटोपायलट प्रयोग के परिणामों को तुरंत देखना और साझा करना आसान बनाती है। आप सेजमेकर ऑटोपायलट का उपयोग करके आसानी से मॉडल प्रशिक्षण और ट्यूनिंग पूरा कर सकते हैं, और फिर परिणामों की व्याख्या करने के लिए जेनरेट की गई रिपोर्ट का संदर्भ ले सकते हैं। चाहे आप सेजमेकर ऑटोपायलट के सर्वश्रेष्ठ मॉडल का उपयोग करें, या किसी अन्य उम्मीदवार का, ये परिणाम प्रारंभिक मॉडल प्रशिक्षण और ट्यूनिंग कार्य के मूल्यांकन के लिए एक सहायक प्रारंभिक बिंदु हो सकते हैं। सेजमेकर ऑटोपायलट मॉडल गुणवत्ता रिपोर्ट कोड लिखने और प्रदर्शन मूल्यांकन और तुलना के लिए दृश्य तैयार करने में लगने वाले समय को कम करने में मदद करती है।
आज आप डेटा साइंस टीम बनाए बिना आसानी से ऑटोएमएल को अपने व्यावसायिक मामलों में शामिल कर सकते हैं। सेजमेकर दस्तावेज़ीकरण आरंभ करने में आपकी सहायता के लिए अनेक नमूने उपलब्ध कराता है।
लेखक के बारे में
पीटर चुंग एडब्ल्यूएस के लिए एक समाधान वास्तुकार है, और ग्राहकों को अपने डेटा से अंतर्दृष्टि को उजागर करने में मदद करने के बारे में भावुक है। वह सार्वजनिक और निजी दोनों क्षेत्रों में डेटा-संचालित निर्णय लेने में संगठनों की मदद करने के लिए समाधान तैयार कर रहा है। उसके पास सभी AWS प्रमाणपत्र और साथ ही दो GCP प्रमाणपत्र हैं। वह कॉफी, खाना बनाना, सक्रिय रहना और अपने परिवार के साथ समय बिताना पसंद करते हैं।
अरुणाप्रसथ शंकर AWS के साथ आर्टिफिशियल इंटेलिजेंस एंड मशीन लर्निंग (AI / ML) स्पेशलिस्ट सॉल्यूशन आर्किटेक्ट है, जो वैश्विक ग्राहकों को क्लाउड में प्रभावी ढंग से और कुशलता से अपने AI समाधानों को स्केल करने में मदद करता है। अपने खाली समय में, अरुण को विज्ञान-फाई फिल्में देखने और शास्त्रीय संगीत सुनने का आनंद मिलता है।
अली तकबिरी एक एआई/एमएल विशेषज्ञ समाधान आर्किटेक्ट है, और एडब्ल्यूएस क्लाउड पर अपनी व्यावसायिक चुनौतियों को हल करने के लिए मशीन लर्निंग का उपयोग करके ग्राहकों की मदद करता है।
प्रदीप रेड्डी सेजमेकर लो/नो कोड एमएल टीम में सीनियर प्रोडक्ट मैनेजर हैं, जिसमें सेजमेकर ऑटोपायलट, सेजमेकर ऑटोमैटिक मॉडल ट्यूनर शामिल हैं। काम के अलावा, प्रदीप को ताड़ के आकार के कंप्यूटर जैसे रास्पबेरी पाई, और अन्य होम ऑटोमेशन तकनीक के साथ पढ़ना, दौड़ना और बाहर निकलना पसंद है।
- कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
- क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/automatically-generate-model-evaluation-metrics-using-sagemaker-autopilot-model-quality-reports/
- "
- 100
- 7
- About
- पहुँच
- लेखा
- सक्रिय
- उन्नत
- AI
- एल्गोरिदम
- सब
- वीरांगना
- के बीच में
- अन्य
- एपीआई
- क्षेत्र
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- आर्टिफिशियल इंटेलिजेंस एंड मशीन लर्निंग
- विशेषताओं
- स्वचालन
- उपलब्ध
- एडब्ल्यूएस
- बैंक
- आधारभूत
- बन
- BEST
- सीमा
- मुक्केबाज़ी
- निर्माण
- इमारत
- व्यापार
- मामलों
- चुनौतियों
- चुनें
- कक्षा
- कक्षाएं
- वर्गीकरण
- करीब
- बादल
- कोड
- कॉफी
- स्तंभ
- तुलना
- जटिल
- कंप्यूटर्स
- भ्रम
- शामिल हैं
- लागत
- सका
- बनाया
- बनाना
- वक्र
- ग्राहक
- तिथि
- डेटा विज्ञान
- डेटा सेट
- दिखाना
- तैनात
- तैनाती
- खोज
- डीआईडी
- विभिन्न
- सीधे
- वितरण
- आसानी
- ईमेल
- endpoint
- अभियांत्रिकी
- विशेष रूप से
- सब कुछ
- उदाहरण
- प्रयोग
- परिवार
- Feature
- अंत में
- पाता
- प्रथम
- लचीलापन
- फोकस
- निम्नलिखित
- प्रारूप
- उत्पन्न
- वैश्विक
- अच्छा
- होने
- मदद
- सहायक
- मदद करता है
- हाई
- उच्चतर
- रखती है
- होम
- घर स्वचालन
- कैसे
- How To
- HTTPS
- नायक
- पहचान
- महत्वपूर्ण
- शामिल
- करें-
- अंतर्दृष्टि
- बुद्धि
- IT
- काम
- जानने वाला
- लेबल
- बड़ा
- बड़ा
- जानें
- सीख रहा हूँ
- लीवरेज
- लाइन
- सुनना
- स्थान
- मशीन
- यंत्र अधिगम
- बहुमत
- बनाता है
- प्रबंध
- प्रबंधक
- विपणन (मार्केटिंग)
- मैट्रिक्स
- माप
- मेट्रिक्स
- अल्पसंख्यक
- ML
- आदर्श
- मॉडल
- अधिक
- अधिकांश
- चलचित्र
- संगीत
- संख्या
- अनेक
- की पेशकश
- ऑफर
- खुला
- उद्घाटन
- परिचालन
- ऑप्शंस
- संगठनों
- अन्य
- आवेशपूर्ण
- पीडीएफ
- प्रदर्शन
- बिन्दु
- सकारात्मक
- संभावनाओं
- संभव
- संभावित
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणियों
- वर्तमान
- निजी
- मुसीबत
- समस्याओं
- उत्पादन
- एस्ट्रो मॉल
- उत्पादन
- प्रदान करना
- प्रदान करता है
- सार्वजनिक
- गुणवत्ता
- जल्दी से
- रेंज
- पढ़ना
- को कम करने
- प्रासंगिक
- रिपोर्ट
- रिपोर्ट
- का प्रतिनिधित्व करता है
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- परिणाम
- दौड़ना
- स्केल
- विज्ञान
- सेक्टर्स
- सेट
- Share
- सरल
- So
- समाधान ढूंढे
- हल
- स्पैम
- खर्च
- चौकोर
- शुरू
- स्थिति
- भंडारण
- स्टूडियो
- लक्ष्य
- टीम
- तकनीक
- यहाँ
- पहर
- आज
- TPR
- प्रशिक्षण
- गाड़ियों
- ui
- उजागर
- समझना
- us
- उपयोग
- मूल्य
- विभिन्न
- देखें
- दृश्यता
- या
- कौन
- बिना
- काम
- होगा