Bir iş analistiyseniz müşteri davranışlarını anlamak muhtemelen önemsediğiniz en önemli şeylerden biridir. Müşteri satın alma kararlarının ardındaki nedenleri ve mekanizmaları anlamak, gelir artışını kolaylaştırabilir. Ancak müşteri kaybı (genellikle müşteri değişimi) her zaman risk oluşturur. Müşterilerin neden ayrıldığına dair içgörü kazanmak, kar ve geliri sürdürmek için aynı derecede önemli olabilir.
Makine öğrenimi (ML) değerli bilgiler sağlasa da, makine öğrenimi uzmanlarına, makine öğrenimi tanıtılana kadar müşteri kaybı tahmin modelleri oluşturmak için ihtiyaç duyuldu. Amazon SageMaker Tuval.
SageMaker Canvas, tek bir satır kod yazmadan birçok iş sorununu çözebilecek makine öğrenimi modelleri oluşturmanıza olanak tanıyan, düşük kodlu/kodsuz yönetilen bir hizmettir. Aynı zamanda gelişmiş metrikleri kullanarak modelleri sanki bir veri bilimciymiş gibi değerlendirmenizi sağlar.
Bu yazıda, bir iş analistinin SageMaker Canvas ile oluşturulan bir sınıflandırma kayıp modelini nasıl değerlendirebileceğini ve anlayabileceğini göstereceğiz. Gelişmiş metrikler sekmesi. Daha iyi model performansı elde etmek için metrikleri açıklıyor ve verilerle ilgilenme tekniklerini gösteriyoruz.
Önkoşullar
Bu yazıda açıklanan görevlerin tamamını veya bir kısmını uygulamak istiyorsanız SageMaker Canvas'a erişimi olan bir AWS hesabına ihtiyacınız var. Bakınız Amazon SageMaker Canvas'ı kullanarak kodsuz makine öğrenimi ile müşteri kaybını tahmin edin SageMaker Canvas, kayıp modeli ve veri kümesiyle ilgili temel bilgileri ele almak için.
Model performans değerlendirmesine giriş
Genel bir kural olarak, bir modelin performansını değerlendirmeniz gerektiğinde, modelin yeni veriler gördüğünde bir şeyi ne kadar iyi tahmin edeceğini ölçmeye çalışırsınız. Bu tahmin denir sonuç. Modeli mevcut verileri kullanarak eğiterek başlarsınız ve ardından modelden daha önce görmediği verilere ilişkin sonucu tahmin etmesini istersiniz. Modelin bu sonucu ne kadar doğru tahmin ettiği, model performansını anlamak için baktığınız şeydir.
Model yeni verileri görmediyse tahminin iyi mi yoksa kötü mü olduğunu nasıl bilecek? Buradaki fikir aslında sonuçların zaten bilindiği geçmiş verileri kullanmak ve bu değerleri modelin tahmin edilen değerleriyle karşılaştırmaktır. Bu, modelin bu değerler için öngördüğü değerlerle karşılaştırılabilmesi için geçmiş eğitim verilerinin bir kısmının bir kenara bırakılmasıyla sağlanır.
Müşteri kaybı örneğinde (kategorik bir sınıflandırma problemidir), birçok özelliğe sahip (her kayıtta bir tane) müşterileri tanımlayan geçmiş bir veri kümesiyle başlarsınız. Churn adı verilen özelliklerden biri, müşterinin hizmetten ayrılıp ayrılmadığını açıklayan Doğru veya Yanlış olabilir. Modelin doğruluğunu değerlendirmek için, bu veri kümesini böleriz ve modeli bir parçayı (eğitim veri kümesi) kullanarak eğitiriz ve modelden diğer bölümle (test veri kümesi) sonucu tahmin etmesini (müşteriyi Churn olarak sınıflandırmak veya değil) isteriz. Daha sonra modelin tahminini test veri setinde yer alan temel gerçekle karşılaştırırız.
Gelişmiş ölçümleri yorumlama
Bu bölümde SageMaker Canvas'taki model performansını anlamanıza yardımcı olabilecek gelişmiş ölçümleri tartışıyoruz.
Karışıklık matrisi
SageMaker Canvas, bir modelin doğru tahminler oluşturduğunu görselleştirmenize yardımcı olmak için karışıklık matrislerini kullanır. Karışıklık matrisinde sonuçlarınız, tahmin edilen değerleri gerçek geçmiş (bilinen) değerlerle karşılaştıracak şekilde düzenlenir. Aşağıdaki örnek, pozitif ve negatif etiketleri tahmin eden iki kategorili bir tahmin modeli için bir karışıklık matrisinin nasıl çalıştığını açıklamaktadır:
- gerçek pozitif – Gerçek etiket pozitif olduğunda model, pozitifliği doğru şekilde tahmin etti
- Gerçek negatif – Gerçek etiket negatif olduğunda model, negatifi doğru şekilde tahmin etti
- Yanlış pozitif – Gerçek etiket negatifken model hatalı bir şekilde pozitif tahminde bulundu
- Yanlış negatif – Gerçek etiket pozitifken model hatalı bir şekilde negatif tahminde bulundu
Aşağıdaki resim iki kategori için bir karışıklık matrisi örneğidir. Kayıp modelimizde gerçek değerler test veri kümesinden, tahmin edilen değerler ise modelimize sorulduğundan gelir.
doğruluk
Doğruluk, test kümesinin tüm satırları veya örnekleri arasındaki doğru tahminlerin yüzdesidir. Doğru olarak tahmin edilen doğru örneklerin yanı sıra Yanlış olarak doğru şekilde tahmin edilen yanlış örneklerin veri kümesindeki toplam örnek sayısına bölünmesiyle elde edilir.
Anlaşılması gereken en önemli ölçümlerden biridir çünkü size modelin yüzde kaçını doğru tahmin ettiğini söyleyecektir, ancak bazı durumlarda yanıltıcı olabilir. Örneğin:
- Sınıf dengesizliği – Veri kümenizdeki sınıflar eşit şekilde dağıtılmadığında (bir sınıftan orantısız sayıda, diğerlerinde ise çok az sayıda örneğiniz varsa), doğruluk yanıltıcı olabilir. Bu gibi durumlarda, her örnek için çoğunluk sınıfını basitçe tahmin eden bir model bile yüksek bir doğruluk elde edebilir.
- Maliyete duyarlı sınıflandırma – Bazı uygulamalarda farklı sınıflar için yanlış sınıflandırmanın maliyeti farklı olabilir. Örneğin, bir ilacın bir durumu kötüleştirip kötüleştirmeyeceğini tahmin ediyorsak, yanlış bir negatif (örneğin, ilacın gerçekte kötüleştiğinde kötüleşmeyeceğini tahmin etmek), yanlış bir pozitiften (örneğin, ilacın kötüleşebileceğini tahmin etmek) daha maliyetli olabilir. aslında öyle olmadığında).
Hassasiyet, geri çağırma ve F1 puanı
Kesinlik, tahmin edilen tüm pozitifler (TP + FP) içindeki gerçek pozitiflerin (TP) oranıdır. Gerçekten doğru olan olumlu tahminlerin oranını ölçer.
Hatırlama, tüm gerçek pozitiflerin (TP + FN) içindeki gerçek pozitiflerin (TP) oranıdır. Model tarafından doğru bir şekilde pozitif olarak tahmin edilen olumlu örneklerin oranını ölçer.
F1 puanı, aralarındaki dengeyi sağlayan tek bir puan sağlamak için kesinlik ve hatırlamayı birleştirir. Hassasiyet ve hatırlamanın harmonik ortalaması olarak tanımlanır:
F1 puanı = 2 * (hassasiyet * geri çağırma) / (hassasiyet + geri çağırma)
F1 puanı 0-1 arasında değişir ve daha yüksek puan daha iyi performansı gösterir. Mükemmel F1 puanının 1 olması, modelin hem mükemmel hassasiyete hem de mükemmel hatırlamaya ulaştığını, 0 puanı ise modelin tahminlerinin tamamen yanlış olduğunu gösterir.
F1 puanı, modelin performansının dengeli bir değerlendirmesini sağlar. Modelin pozitif örnekleri doğru bir şekilde sınıflandırma ve yanlış pozitif ve yanlış negatiflerden kaçınma yeteneğini yansıtan daha bilgilendirici bir değerlendirme ölçüsü sağlayarak kesinlik ve hatırlamayı dikkate alır.
Örneğin tıbbi teşhis, dolandırıcılık tespiti ve duyarlılık analizinde F1 özellikle önemlidir. Tıbbi teşhiste, belirli bir hastalığın veya durumun varlığının doğru bir şekilde belirlenmesi çok önemlidir ve yanlış negatifler veya yanlış pozitifler önemli sonuçlara yol açabilir. F1 puanı, hem kesinliği (pozitif vakaları doğru şekilde tanımlama yeteneği) hem de hatırlamayı (tüm pozitif vakaları bulma yeteneği) hesaba katarak modelin hastalığı tespit etme performansının dengeli bir değerlendirmesini sağlar. Benzer şekilde, gerçek dolandırıcılık vakalarının sayısının, dolandırıcılık olmayan vakalara (dengesiz sınıflar) kıyasla nispeten düşük olduğu dolandırıcılık tespitinde, tek başına doğruluk, çok sayıda gerçek olumsuzluk nedeniyle yanıltıcı olabilir. F1 puanı, modelin hem kesinlik hem de geri çağırma dikkate alınarak, hem hileli hem de hileli olmayan vakaları tespit etme yeteneğinin kapsamlı bir ölçümünü sağlar. Duygu analizinde, veri kümesi dengesizse doğruluk, modelin pozitif duyarlılık sınıfının örneklerini sınıflandırmadaki performansını doğru şekilde yansıtmayabilir.
AUC (eğrinin altındaki alan)
AUC metriği, ikili sınıflandırma modelinin tüm sınıflandırma eşiklerinde pozitif ve negatif sınıfları ayırt etme yeteneğini değerlendirir. A eşik bir örneğin bir sınıfın parçası olma olasılığını ikili bir karara dönüştüren, iki olası sınıf arasında karar vermek için model tarafından kullanılan bir değerdir. AUC'yi hesaplamak için çeşitli eşik ayarlarına göre gerçek pozitif oran (TPR) ve yanlış pozitif oran (FPR) çizilir. TPR, tüm gerçek pozitiflerin içindeki gerçek pozitiflerin oranını ölçerken, FPR, tüm gerçek negatiflerin içindeki yanlış pozitiflerin oranını ölçer. Alıcı çalışma karakteristiği (ROC) eğrisi olarak adlandırılan sonuçta ortaya çıkan eğri, farklı eşik ayarlarında TPR ve FPR'nin görsel bir temsilini sağlar. 0-1 arasında değişen AUC değeri, ROC eğrisinin altındaki alanı temsil eder. Daha yüksek AUC değerleri daha iyi performansa işaret eder ve mükemmel bir sınıflandırıcının AUC değeri 1'e ulaşır.
Aşağıdaki grafikte Y ekseni TPR ve X ekseni FPR olmak üzere ROC eğrisi gösterilmektedir. Eğri grafiğin sol üst köşesine yaklaştıkça model, verileri kategoriler halinde sınıflandırma konusunda daha başarılı olur.
Açıklığa kavuşturmak için bir örnek üzerinden gidelim. Bir sahtekarlık tespit modeli düşünelim. Genellikle bu modeller dengesiz veri kümelerinden eğitilir. Bunun nedeni genellikle veri kümesindeki neredeyse tüm işlemlerin sahtekarlık içermemesi ve yalnızca birkaçının sahtekarlık olarak etiketlenmesidir. Bu durumda, doğruluk tek başına modelin performansını yeterince yakalayamayabilir çünkü muhtemelen hileli olmayan vakaların çokluğundan büyük ölçüde etkilenmektedir ve bu da yanıltıcı derecede yüksek doğruluk puanlarına yol açmaktadır.
Bu durumda AUC, modelin performansını değerlendirmek için daha iyi bir ölçüm olacaktır çünkü modelin hileli ve hileli olmayan işlemleri ayırt etme yeteneğinin kapsamlı bir değerlendirmesini sağlar. Çeşitli sınıflandırma eşiklerinde gerçek pozitif oran ile yanlış pozitif oran arasındaki dengeyi dikkate alarak daha ayrıntılı bir değerlendirme sunar.
Tıpkı F1 puanı gibi, veri kümesi dengesiz olduğunda özellikle faydalıdır. TPR ve FPR arasındaki dengeyi ölçer ve dağılımlarına bakılmaksızın modelin iki sınıf arasında ne kadar iyi ayrım yapabileceğini gösterir. Bu, bir sınıf diğerinden önemli ölçüde küçük olsa bile ROC eğrisinin, her iki sınıfı da eşit olarak dikkate alarak modelin performansını dengeli bir şekilde değerlendirdiği anlamına gelir.
Ek önemli konular
ML modeli performansını değerlendirmek ve geliştirmek için kullanabileceğiniz tek önemli araç gelişmiş ölçümler değildir. Veri hazırlama, özellik mühendisliği ve özellik etki analizi, model oluşturma için gerekli olan tekniklerdir. Bu etkinlikler, ham verilerden anlamlı içgörüler elde etmede ve model performansını iyileştirmede önemli bir rol oynayarak daha sağlam ve anlayışlı sonuçlara yol açar.
Veri hazırlama ve özellik mühendisliği
Özellik mühendisliği, ham verilerden yeni değişkenler (özellikler) seçme, dönüştürme ve oluşturma sürecidir ve bir ML modelinin performansını artırmada önemli bir rol oynar. Mevcut verilerden en alakalı değişkenlerin veya özelliklerin seçilmesi, modelin tahmin gücüne katkıda bulunmayan ilgisiz veya gereksiz özelliklerin kaldırılmasını içerir. Veri özelliklerinin uygun bir formata dönüştürülmesi, ölçeklendirmeyi, normalleştirmeyi ve eksik değerlerin ele alınmasını içerir. Ve son olarak, mevcut verilerden yeni özellikler oluşturmak, matematiksel dönüşümler yoluyla, farklı özellikleri birleştirerek veya etkileşime sokarak veya alana özgü bilgilerden yeni özellikler yaratarak yapılır.
Özellik önemi analizi
SageMaker Canvas, veri kümenizdeki her sütunun model üzerindeki etkisini açıklayan bir özellik önem analizi oluşturur. Tahminler oluşturduğunuzda, her bir tahmin üzerinde hangi sütunların en fazla etkiye sahip olduğunu tanımlayan sütun etkisini görebilirsiniz. Bu size hangi özelliklerin nihai modelinizin parçası olmayı hak ettiği ve hangilerinin atılması gerektiği konusunda fikir verecektir. Sütun etkisi, bir sütunun diğer sütunlara göre tahmin yapmada ne kadar ağırlığa sahip olduğunu gösteren bir yüzde puanıdır. %25'lik bir sütun etkisi için Canvas, tahmini sütun için %25 ve diğer sütunlar için %75 olarak ağırlıklandırır.
Model doğruluğunu iyileştirmeye yönelik yaklaşımlar
Model doğruluğunu artırmak için birden fazla yöntem olmasına rağmen veri bilimcileri ve makine öğrenimi uygulayıcıları, daha önce açıklanan araçları ve ölçümleri kullanarak genellikle bu bölümde tartışılan iki yaklaşımdan birini izler.
Model merkezli yaklaşım
Bu yaklaşımda veriler her zaman aynı kalır ve istenen sonuçları karşılamak için modeli yinelemeli olarak geliştirmek için kullanılır. Bu yaklaşımla kullanılan araçlar şunları içerir:
- Birden fazla ilgili makine öğrenimi algoritmasını denemek
- Algoritma ve hiperparametre ayarlama ve optimizasyonu
- Farklı model topluluğu yöntemleri
- Önceden eğitilmiş modellerin kullanılması (SageMaker çeşitli yerleşik veya önceden eğitilmiş modeller makine öğrenimi uygulayıcılarına yardım etmek için)
- SageMaker Canvas'ın perde arkasında yaptığı AutoML ( Amazon SageMaker Otomatik Pilot), yukarıdakilerin tümünü kapsayan
Veri merkezli yaklaşım
Bu yaklaşımda odak noktası veri hazırlama, veri kalitesini iyileştirme ve performansı artırmak için verileri yinelemeli olarak değiştirmedir:
- Keşif amaçlı veri analizi (EDA) olarak da bilinen, modeli eğitmek için kullanılan veri kümesinin istatistiklerini keşfetme
- Veri kalitesinin iyileştirilmesi (veri temizleme, eksik değerlerin atanması, aykırı değerlerin tespiti ve yönetimi)
- Özellik seçimi
- Özellik mühendisliği
- Veri büyütme
Canvas ile model performansını iyileştirme
Veri merkezli yaklaşımla başlıyoruz. İlk EDA'yı gerçekleştirmek için model önizleme işlevini kullanırız. Bu bize veri artırma gerçekleştirmek, yeni bir temel oluşturmak ve son olarak standart yapı işlevselliğini kullanarak model merkezli bir yaklaşımla en iyi modeli elde etmek için kullanabileceğimiz bir temel sağlar.
Biz kullanın sentetik veri seti bir telekomünikasyon cep telefonu operatöründen. Bu örnek veri kümesi, her kaydın müşteri profilini tanımlamak için 5,000 özelliği kullandığı 21 kayıt içerir. Bakınız Amazon SageMaker Canvas'ı kullanarak kodsuz makine öğrenimi ile müşteri kaybını tahmin edin tam bir açıklama için.
Veri merkezli bir yaklaşımla model önizlemesi
İlk adım olarak veri kümesini açıyoruz, Churn? olarak tahmin edilecek sütunu seçiyoruz ve seçimini yaparak bir önizleme modeli oluşturuyoruz. Önizleme modeli.
The Önizleme modeli bölmesi, önizleme modeli hazır olana kadar ilerlemeyi gösterecektir.
Model hazır olduğunda SageMaker Canvas bir özellik önem analizi oluşturur.
Son olarak, tamamlandığında bölme, model üzerindeki etkisi ile birlikte sütunların bir listesini gösterecektir. Bunlar, özelliklerin tahminlerimizle ne kadar alakalı olduğunu anlamak için faydalıdır. Sütun etkisi, bir sütunun diğer sütunlara göre tahmin yapmada ne kadar ağırlığa sahip olduğunu gösteren bir yüzde puanıdır. Aşağıdaki örnekte, Gece Görüşmeleri sütunu için SageMaker Canvas, tahmini sütun için %4.04 ve diğer sütunlar için %95.9 olarak ağırlıklandırır. Değer ne kadar yüksek olursa etki de o kadar yüksek olur.
Gördüğümüz gibi ön izleme modelinin doğruluğu %95.6'dır. Veri merkezli bir yaklaşım kullanarak model performansını iyileştirmeye çalışalım. Performansı artırmak için veri hazırlığı yapıyor ve özellik mühendisliği tekniklerini kullanıyoruz.
Aşağıdaki ekran görüntüsünde görüldüğü gibi Telefon ve Durum sütunlarının tahminimize çok daha az etki ettiğini gözlemleyebiliyoruz. Bu nedenle bu bilgiyi bir sonraki aşama olan veri hazırlığımız için girdi olarak kullanacağız.
SageMaker Canvas, verilerinizi temizleyebileceğiniz, dönüştürebileceğiniz ve model oluşturmaya hazırlayabileceğiniz ML veri dönüşümleri sağlar. Bu dönüşümleri veri kümelerinizde herhangi bir kod gerektirmeden kullanabilirsiniz ve modeli oluşturmadan önce verileriniz üzerinde gerçekleştirilen veri hazırlığının kaydı olan model tarifine eklenecektir.
Kullandığınız tüm veri dönüşümlerinin yalnızca bir model oluştururken giriş verilerini değiştirdiğini ve veri kümenizi veya orijinal veri kaynağınızı değiştirmediğini unutmayın.
Verilerinizi oluşturmaya hazırlamanız için SageMaker Canvas'ta aşağıdaki dönüşümler mevcuttur:
- Tarihsaat çıkarma
- Sütunları bırak
- Satırları filtrele
- Fonksiyonlar ve operatörler
- Satırları yönet
- Sütunları yeniden adlandır
- Satırları kaldır
- Değerleri değiştir
- Zaman serisi verilerini yeniden örnekleme
Tahminimiz üzerinde çok az etkisi olan, bulduğumuz sütunları bırakarak başlayalım.
Örneğin, bu veri kümesinde telefon numarası bir hesap numarasının eşdeğeridir; diğer hesapların kaybolma olasılığını tahmin etmede işe yaramaz ve hatta zararlıdır. Aynı şekilde müşterinin durumu da modelimizi pek etkilemiyor. Aşağıdaki özelliklerin seçimini kaldırarak Telefon ve Devlet sütunlarını kaldıralım. Sütun adı.
Şimdi bazı ek veri dönüşümü ve özellik mühendisliği gerçekleştirelim.
Örneğin, önceki analizimizde müşterilerden tahsil edilen tutarın kayıp üzerinde doğrudan etkisi olduğunu fark ettik. Bu nedenle, Gündüz, Arife, Gece ve Uluslararası Ücret, Dakika ve Aramaları birleştirerek müşterilerimizin toplam ücretlerini hesaplayan yeni bir sütun oluşturalım. Bunu yapmak için SageMaker Canvas'taki özel formülleri kullanıyoruz.
Seçerek başlayalım fonksiyonlar, ardından formül metin kutusuna aşağıdaki metni ekliyoruz:
(Gündüz Aramalar*Gündüz Ücreti*Gündk Dakika)+(Akşam Aramalar*Akşam Ücreti*Akşam Dakika)+(Gece Aramalar*Gece Ücreti*Gece Dakika)+(Uluslararası Aramalar*Uluslararası Ücret*Uluslararası Dakika)
Yeni sütuna bir ad verin (örneğin, Toplam Masraflar) ve Ekle önizleme oluşturulduktan sonra. Model tarifi artık aşağıdaki ekran görüntüsünde gösterildiği gibi görünmelidir.
Bu veri hazırlığı tamamlandığında modelin iyileşip iyileşmediğini görmek için yeni bir önizleme modeli eğitiyoruz. Seçmek Önizleme modeli tekrar ve sağ alt bölmede ilerleme gösterilecektir.
Eğitim tamamlandığında, tahmin edilen doğruluğu yeniden hesaplamaya devam edecek ve ayrıca yeni bir sütun etki analizi oluşturacaktır.
Ve son olarak, tüm süreç tamamlandığında, daha önce gördüğümüz bölmeyi yeni önizleme modeli doğruluğuyla görebiliriz. Model doğruluğunun %0.4 oranında arttığını (%95.6'dan %96'ya) fark edebilirsiniz.
Önceki görsellerdeki sayılar sizinkinden farklı olabilir çünkü ML, modellerin eğitim sürecine bir miktar stokastiklik katar ve bu da farklı yapılarda farklı sonuçlara yol açabilir.
Modeli oluşturmak için model merkezli yaklaşım
Canvas, modellerinizi oluşturmak için iki seçenek sunar:
- Standart yapı – Daha iyi doğruluk için hızın değiştirildiği optimize edilmiş bir süreçten en iyi modeli oluşturur. Model seçimi, ML kullanım durumunuzla ilgili çeşitli algoritmaların denenmesi, hiper parametre ayarlama ve model açıklanabilirlik raporları oluşturma dahil olmak üzere çeşitli ML görevlerini otomatikleştiren Auto-ML'yi kullanır.
- Hızlı inşa – Standart bir yapıya kıyasla çok daha kısa sürede basit bir model oluşturur, ancak doğruluk hız ile değiştirilir. Hızlı model, veri değişikliklerinin model doğruluğu üzerindeki etkisini daha hızlı anlamak için yineleme yaparken kullanışlıdır.
Standart yapı yaklaşımını kullanmaya devam edelim.
Standart yapı
Daha önce gördüğümüz gibi standart yapı, doğruluğu en üst düzeye çıkarmak için optimize edilmiş bir süreçten en iyi modeli oluşturur.
Kayıp modelimizin oluşturma süreci yaklaşık 45 dakika sürer. Bu süre zarfında Canvas yüzlerce aday işlem hattını test ederek en iyi modeli seçer. Aşağıdaki ekran görüntüsünde beklenen yapım süresini ve ilerlemeyi görebiliriz.
Standart derleme süreciyle ML modelimiz, model doğruluğumuzu %96.903'e çıkardı; bu önemli bir gelişmedir.
Gelişmiş metrikleri keşfedin
Modeli kullanarak keşfedelim. Gelişmiş metrikler sekme. Üzerinde Puanlama sekmesini seçin Gelişmiş metrikler.
Bu sayfa, gelişmiş ölçümlerle birlikte aşağıdaki karışıklık matrisini gösterecektir: F1 puanı, doğruluk, kesinlik, geri çağırma, F1 puanı ve AUC.
Tahminler oluştur
Artık ölçümler iyi göründüğüne göre, etkileşimli bir tahmin gerçekleştirebiliriz. Tahmin sekmesinde toplu olarak veya tek (gerçek zamanlı) tahminde bulunur.
İki seçeneğimiz var:
- Toplu veya tekli tahminleri çalıştırmak için bu modeli kullanın
- Modeli şuraya gönder: Amazon Sagemaker Stüdyosu veri bilimcilerle paylaşmak
Temizlemek
Gelecekle karşılaşmamak için seans ücretleri, SageMaker Canvas oturumunu kapatın.
Sonuç
SageMaker Canvas, modeller oluşturmanıza ve doğruluğunu değerlendirmenize olanak tanıyan, kodlamaya veya özel veri bilimi ve makine öğrenimi uzmanlığına ihtiyaç duymadan performanslarını artıran güçlü araçlar sağlar. Örnekte müşteri kaybı modelinin oluşturulmasında gördüğümüz gibi, iş analistleri bu araçları gelişmiş metrikler kullanarak hem veri merkezli hem de model merkezli bir yaklaşımla birleştirerek tahmin modelleri oluşturabilir ve değerlendirebilir. Görsel bir arayüz sayesinde kendi başınıza doğru makine öğrenimi tahminleri oluşturma gücüne de sahipsiniz. Referansları gözden geçirmenizi ve bu kavramlardan kaçının diğer makine öğrenimi sorunlarına uygulanabileceğini görmenizi öneririz.
Referanslar
Yazarlar Hakkında
Marcos Florida, ABD merkezli bir AWS Kıdemli Makine Öğrenimi Çözümleri Mimarıdır. Bu görevinde, ABD'deki yeni kurulan kuruluşlara buluta yönelik stratejilerinde rehberlik etmekten ve yardımcı olmaktan, yüksek riskli sorunların nasıl ele alınacağı ve makine öğrenimi iş yüklerinin nasıl optimize edileceği konusunda rehberlik sağlamaktan sorumludur. Bulut çözümü geliştirme, makine öğrenimi, yazılım geliştirme ve veri merkezi altyapısı dahil olmak üzere teknoloji alanında 25 yıldan fazla deneyime sahiptir.
Indrajit AWS Enterprise Kıdemli Çözüm Mimarıdır. Görevi gereği müşterilerin bulutu benimseme yoluyla iş sonuçlarına ulaşmalarına yardımcı oluyor. Mikro hizmetlere, sunucusuz uygulamalara, API'lere ve olay odaklı kalıplara dayalı modern uygulama mimarileri tasarlıyor. DataOps ve MLOps uygulamalarını ve çözümlerini benimseyerek veri analitiği ve makine öğrenimi hedeflerini gerçekleştirmek için müşterilerle birlikte çalışır. Indrajit, zirveler ve ASEAN atölyeleri gibi halka açık AWS etkinliklerinde düzenli olarak konuşuyor, çeşitli AWS blog gönderileri yayınladı ve AWS'de veri ve makine öğrenimine odaklanan, müşteriye yönelik teknik atölye çalışmaları geliştirdi.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/is-your-model-good-a-deep-dive-into-amazon-sagemaker-canvas-advanced-metrics/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- 000
- 1
- 100
- 1239
- 25
- 420
- 7
- a
- kabiliyet
- Hakkımızda
- bolluk
- erişim
- Hesap
- doğruluk
- doğru
- tam olarak
- Başarmak
- elde
- elde
- karşısında
- faaliyetler
- gerçek
- aslında
- eklemek
- katma
- Ek
- adres
- yeterli olarak
- Benimseme
- ileri
- Sonra
- tekrar
- karşı
- algoritmalar
- Türkiye
- veriyor
- tek başına
- zaten
- Ayrıca
- her zaman
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Tuval
- Amazon Web Servisleri
- miktar
- an
- analiz
- analist
- Analistler
- analytics
- ve
- herhangi
- API'ler
- Uygulama
- uygulamaları
- Tamam
- yaklaşım
- yaklaşımlar
- ARE
- ALAN
- etrafında
- düzenlenmiş
- AS
- ASEAN
- belirlemek
- değerlendirme
- yardım
- At
- öznitelikleri
- otomata
- mevcut
- önlemek
- AWS
- eksen
- Kötü
- bakiyeler
- merkezli
- Temel
- Temeller
- BE
- Çünkü
- olmuştur
- önce
- başlamak
- davranış
- arkasında
- kamera ARKASI
- olmak
- İYİ
- Daha iyi
- arasında
- Blog
- Blog Yazıları
- her ikisi de
- inşa etmek
- bina
- inşa
- iş
- fakat
- by
- hesaplamak
- denilen
- aramalar
- CAN
- aday
- tuval
- ele geçirmek
- hangi
- dava
- durumlarda
- kategoriler
- Merkez
- değişiklikler
- karakteristik
- ücret
- yüklü
- yükler
- Klinik
- seçme
- sınıf
- sınıflar
- sınıflandırma
- sınıflandırmak
- Temizlik
- yakın
- bulut
- bulut benimseme
- kod
- kodlama
- Sütun
- Sütunlar
- biçerdöverler
- birleştirme
- nasıl
- çoğunlukla
- karşılaştırmak
- karşılaştırıldığında
- tamamlamak
- tamamen
- kapsamlı
- kavramlar
- koşul
- karışıklık
- Sonuçları
- düşünen
- dikkate
- içerdiği
- içeren
- devam etmek
- katkıda bulunmak
- dönüştürme
- Köşe
- doğru
- Ücret
- pahalı
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- çok önemli
- eğri
- görenek
- müşteri
- müşteri tutumu
- Müşteriler
- veri
- veri analizi
- Veri Analizi
- Veri Merkezi
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veri kümeleri
- gün
- anlaşma
- karar
- kararlar
- derin
- derin dalış
- tanımlı
- tanımlamak
- tarif edilen
- tanım
- hak
- tasarımlar
- İstediğiniz
- belirlemek
- Bulma
- gelişmiş
- gelişme
- farklılık
- farklı
- farklılaştırmak
- direkt
- tartışmak
- tartışılan
- Hastalık
- ayırmak
- dağıtıldı
- dağıtım
- bölünmüş
- do
- yok
- Değil
- yapılmış
- Damlama
- ilaç
- gereken
- sırasında
- her
- Daha erken
- ya
- yetkisi
- etkinleştirmek
- etkin
- sağlar
- kapsar
- teşvik etmek
- Mühendislik
- artırılması
- kuruluş
- eşit olarak
- Eşdeğer
- özellikle
- gerekli
- değerlendirmek
- değerlendirilmesi
- değerlendirme
- arife
- Hatta
- eşit olarak
- olaylar
- Her
- örnek
- alışverişinde
- mevcut
- beklenen
- deneyim
- Uzmanlık
- uzmanlara göre
- Açıklamak
- açıklar
- Açıklayıcı Veri Analizi
- keşfetmek
- f1
- kolaylaştırmak
- gerçek
- yanlış
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- son
- Nihayet
- bulmak
- Ad
- Florida
- odak
- odaklanmış
- takip et
- takip etme
- İçin
- biçim
- formül
- bulundu
- kesir
- dolandırıcılık
- sahtekarlık tespiti
- sahte
- itibaren
- tam
- işlevsellik
- gelecek
- kazanma
- genel
- oluşturmak
- oluşturulan
- üretir
- üreten
- alma
- Vermek
- Go
- Goller
- Tercih Etmenizin
- Zemin
- Büyüme
- rehberlik
- kullanma
- Var
- he
- ağır şekilde
- yardım et
- yardımcı olur
- Yüksek
- yüksek risk
- daha yüksek
- onun
- tarihsel
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- Yüzlerce
- Hiperparametre Ayarı
- Fikir
- tanımlar
- belirlemek
- belirlenmesi
- if
- görüntü
- görüntüleri
- darbe
- uygulamak
- önem
- önemli
- iyileştirmek
- gelişmiş
- iyileşme
- geliştirme
- in
- Diğer
- dahil
- içerir
- Dahil olmak üzere
- hatalı olarak
- artmış
- belirtmek
- gösterir
- etkilenmiş
- bilgi
- aydınlatıcı
- Altyapı
- ilk
- giriş
- anlayışlı
- anlayışlar
- örnek
- etkileşim
- interaktif
- arayüzey
- içine
- Tanıtımlar
- Giriş
- sorunlar
- IT
- ONUN
- jpg
- sadece
- anahtar
- Bilmek
- bilgi
- bilinen
- etiket
- Etiketler
- öncülük etmek
- önemli
- öğrenme
- Ayrılmak
- sol
- az
- sevmek
- olasılık
- çizgi
- Liste
- küçük
- log
- Bakın
- kayıp
- Düşük
- alt
- makine
- makine öğrenme
- çoğunluk
- yapmak
- Yapımı
- yönetilen
- yönetim
- tavır
- çok
- matematiksel
- Matris
- Maksimuma çıkarmak
- Mayıs..
- ortalama
- anlamlı
- anlamına geliyor
- ölçmek
- önlemler
- mekanizmaları
- tıbbi
- Neden
- yöntemleri
- metrik
- Metrikleri
- microservices
- olabilir
- dakika
- yanıltıcı
- eksik
- ML
- MLO'lar
- Telefon
- cep telefonu kullanıyor.
- model
- modelleri
- Modern
- değiştirmek
- Daha
- çoğu
- çok
- çoklu
- isim
- gerek
- gerekli
- negatif
- negatifler
- yeni
- Yeni Özellikler
- sonraki
- gece
- Fark etme..
- şimdi
- numara
- sayılar
- gözlemek
- elde etmek
- of
- Teklifler
- on
- ONE
- olanlar
- bir tek
- açık
- işletme
- optimize
- optimize
- Opsiyonlar
- or
- organizasyonlar
- orijinal
- Diğer
- Diğer
- bizim
- dışarı
- Sonuç
- sonuçlar
- tekrar
- kendi
- Kanal
- bölmesi
- Bölüm
- özellikle
- desen
- yüzde
- MÜKEMMEL OLAN YERİ BULUN
- Yapmak
- performans
- yapılan
- faz
- telefon
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- çalış
- artı
- kısım
- pozlar
- pozitif
- mümkün
- Çivi
- Mesajlar
- güç kelimesini seçerim
- güçlü
- uygulamalar
- Hassas
- tahmin
- tahmin
- tahmin
- tahmin
- Tahminler
- öngörür
- hazırlık
- Hazırlamak
- varlık
- Önizleme
- önceki
- muhtemelen
- Sorun
- sorunlar
- süreç
- Profil
- kar
- Ilerleme
- oran
- sağlamak
- sağlar
- sağlama
- halka açık
- yayınlanan
- satın alma
- kalite
- Hızlı
- hızla
- oran
- Çiğ
- hazır
- gerçek zaman
- gerçekleştirmek
- nedenleri
- yemek tarifi
- kayıt
- kayıtlar
- referanslar
- Referans
- yansıtmak
- yansıtır
- Ne olursa olsun
- düzenli
- ilişki
- Nispeten
- uygun
- kalıntılar
- Kaldır
- kaldırma
- Raporlar
- temsil
- temsil
- sorumlu
- Ortaya çıkan
- Sonuçlar
- gelir
- gelir artışı
- krallar gibi yaşamaya
- Risk
- gürbüz
- Rol
- koşmak
- sagemaker
- aynı
- Örnek veri kümesi
- testere
- ölçekleme
- Sahneler
- Bilim
- bilim adamı
- bilim adamları
- Gol
- Bölüm
- görmek
- görüldü
- Gördükleri
- seçme
- seçim
- duygu
- Dizi
- Serverless
- hizmet
- Hizmetler
- set
- ayar
- ayarlar
- birkaç
- paylaş
- meli
- şov
- gösterilen
- Gösteriler
- önemli
- önemli ölçüde
- benzer şekilde
- Basit
- sadece
- tek
- daha küçük
- So
- Yazılım
- yazılım geliştirme
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- bir şey
- Kaynak
- Konuştu
- özel
- özel
- hız
- bölmek
- standart
- başlama
- başlangıç
- Eyalet
- istatistik
- adım
- Stratejileri
- böyle
- uygun
- zirveler
- alır
- alma
- görevleri
- Teknik
- teknikleri
- Teknoloji
- telekomünikasyon
- söylemek
- test
- testleri
- göre
- o
- The
- Alan
- Temelleri
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- işler
- düşünmek
- Re-Tweet
- Bu
- eşik
- İçinden
- zaman
- Zaman serisi
- için
- araçlar
- üst
- Toplam
- karşı
- tp
- TPR
- Tren
- eğitilmiş
- Eğitim
- işlemler
- Dönüştürmek
- Dönüşüm
- dönüşümler
- dönüşüm
- dönüşümler
- gerçek
- Hakikat
- denemek
- iki
- türleri
- altında
- anlamak
- anlayış
- kadar
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanım
- kullanma
- genellikle
- Değerli
- değer
- Değerler
- çeşitli
- çok
- oldu
- we
- ağ
- web hizmetleri
- ağırlık
- İYİ
- vardı
- Ne
- ne zaman
- hangi
- süre
- bütün
- neden
- irade
- ile
- olmadan
- çalışır
- Atölyeler
- olur
- yazı yazıyor
- Yanlış
- X
- yıl
- Sen
- zefirnet