Wir aktualisieren den Amazon Machine Learning Learning-Service nicht mehr und akzeptieren keine neuen Benutzer mehr dafür. Diese Dokumentation ist für bestehende Benutzer verfügbar, wir aktualisieren sie jedoch nicht mehr. Weitere Informationen finden Sie unterWas Amazon Machine Learning.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Dateneinblicke

Amazon ML berechnet beschreibende Statistiken für Ihre Eingabedaten, mit denen Sie Ihre Daten besser verstehen.

Beschreibende Statistiken

Amazon ML berechnet die folgenden beschreibenden Statistiken für verschiedene Attributtypen:

Numerischer Wert:

Binär und kategorisch:

Text:

Zugriff auf Dateneinblicke in der Amazon ML-Konsole

In der Amazon ML-Konsole können Sie den Namen oder die ID einer Datenquelle auswählen, um die zugehörigeDateneinblickeangezeigten. Auf dieser Seite finden Sie Metriken und Visualisierungen, mit deren Hilfe Sie mehr über die Eingabedaten in Verbindung mit der Datenquelle erfahren, einschließlich der folgenden Informationen:

In den folgenden Abschnitten werden die Metriken und Visualisierungen im Detail beschrieben.

Datenzusammenfassung

Der zusammenfassende Datenbericht einer Datenquelle enthält zusammenfassende Informationen, einschließlich der Datenquellen-ID, Name, wo sie abgeschlossen wurde, aktueller Status, Zielattribut, Eingabedateninformationen (S3-Bucket-Speicherort, Datenformat, Anzahl der verarbeiteten Datensätze und Anzahl der fehlerhaften Datensätze während der Verarbeitung) sowie die Anzahl der Variablen nach Datentyp.

Zielverteilungen

Der Zielverteilungsbericht zeigt die Verteilung von Zielattributen der Datenquelle. Im folgenden Beispiel gibt es 39.922 Beobachtungen, in denen das Zielattribut "willRespondToCampaign" gleich 0 ist. Dies ist die Anzahl der Kunden, die nicht auf die E-Mail-Kampagne reagiert haben. Es gibt 5.289 Beobachtungen, in denen "willRespondToCampaign" 1 entspricht. Dies ist die Anzahl der Kunden, die auf die E-Mail-Kampagne reagiert haben.

Fehlende Werte

Der Bericht über fehlende Werte listet die Attribute in den Eingabedaten auf, für die Werte fehlen. Nur Attribute mit numerischen Datentypen können fehlende Werte haben. Da fehlende Werte sich auf die Qualität der Schulung eines ML-Modells auswirken können, empfehlen wir, dass fehlende Werte angegeben werden, falls möglich.

Wenn während der ML-Modellschulung das Zielattribut fehlt, lehnt Amazon ML den entsprechenden Datensatz ab. Wenn das Zielattribut im Datensatz vorhanden ist, aber der Wert für ein anderes numerisches Attribut fehlt, übergeht Amazon ML den fehlenden Wert. In diesem Fall erstellt Amazon ML ein Ersatzattribut und setzt es auf 1, um anzugeben, dass dieses Attribut fehlt. Auf diese Weise lernt Amazon ML Muster aus dem Auftreten von fehlenden Werten.

Ungültige Werte

Ungültige Werte können nur bei numerischen und binären Datentypen auftreten. Sie können ungültige Werte suchen, indem Sie die zusammenfassenden Statistiken von Variablen in den Datentypberichten anzeigen. In den folgenden Beispielen gibt es nur einen ungültigen Wert im numerischen Attribut "Duration" und zwei ungültige Werte im binären Datentyp (einer im Attribut "Housing" und einer im Attribut "Loan").

Korrelation zwischen Variable und Ziel

Nach dem Erstellen einer Datenquelle kann Amazon ML die Datenquelle auswerten und die Korrelation oder die Auswirkungen zwischen Variablen und Ziel ermitteln. Beispielsweise ist es möglich, dass der Preis eines Produkts signifikante Auswirkungen darauf hat, ob es ein Bestseller wird, während die Abmessungen des Produkts wahrscheinlich wenig Vorhersagekraft haben.

Eine bewährte Methode ist es, so viele Variablen wie möglich in die Schulungsdaten einzuschließen. Das Datenrauschen durch viele Variablen mit wenig Vorhersagekraft kann jedoch die Qualität und die Richtigkeit Ihres ML-Modells negativ beeinflussen.

Sie können die prädiktive Leistung Ihres Modells verbessern, indem Sie Variablen mit wenig Auswirkungen während der Modellschulung entfernen. Sie können in einem definieren, welche Variablen für den maschinellen Lernprozess zur Verfügung gestellt werden.Rezept, was ein Transformationsmechanismus von Amazon ML ist. Weitere Informationen zu Rezepten finden Sie unter Data Transformation for Machine Learning.

Zusammenfassende Statistik der Attribute nach Datentyp

Im Bericht zu Dateneinblicken können Sie zusammenfassende Attributstatistiken nach den folgenden Datentypen anzeigen:

Zusammenfassende Statistiken für binären Datentypen zeigen alle binären Attribute. Die Spalte Correlations to target zeigt die zwischen der Zielspalte und der Attributspalte gemeinsam genutzten Informationen. Die Spalte Percent true zeigt den Prozentsatz der Beobachtungen mit dem Wert "1" an. In der Spalte Invalid values wird die Anzahl der ungültigen Werte und der Prozentsatz der ungültigen Werte für jedes Attribut angezeigt. In der Spalte Preview finden Sie einen Link zu einer grafischen Verteilung für jedes Attribut.

Zusammenfassende Statistiken für den kategorischen Datentyp zeigen aller kategorischen Attribute mit der Anzahl eindeutiger Werte, häufigster Wert und seltenster Wert. In der Spalte Preview finden Sie einen Link zu einer grafischen Verteilung für jedes Attribut.

Zusammenfassende Statistiken für den numerischen Datentyp zeigen alle numerischen Attributen mit der Anzahl fehlender Werte, ungültiger Werte, Wertebereich, durchschnittlicher und mittlerer Wert. In der Spalte Preview finden Sie einen Link zu einer grafischen Verteilung für jedes Attribut.

Zusammenfassende Statistiken für den Datentyp Text zeigen alle Textattribute, die Gesamtanzahl der Wörter in diesem Attribut, die Anzahl der eindeutigen Wörter in diesem Attribut, den Umfang von Wörtern in einem Attribut, den Umfang der Wortlängen und die bedeutendsten Wörter. In der Spalte Preview finden Sie einen Link zu einer grafischen Verteilung für jedes Attribut.

Das folgende Beispiel zeigt Statistiken für den Datentyp Text für eine Textvariable mit dem Namen "Review", mit vier Datensätzen.

1. The fox jumped over the fence.
2. This movie is intriguing.
3.
4. Fascinating movie.

Die Spalten für dieses Beispiel würden die folgenden Informationen anzeigen.

Erläuterungen zur Verteilung von kategorischen und binären Attributen

Durch Klicken auf den Link Preview für das kategorische oder binäre Attribut können Sie die Verteilung des Attributs sowie die Beispieldaten aus der Eingabedatei für jeden kategorischen Wert des Attributs anzeigen.

Die folgende Abbildung zeigt die Verteilung für das kategorische Attribut jobId. Die Verteilung zeigt die 10 häufigsten kategorischen Werte, alle anderen Werte sind als "other" gruppiert. Sie stuft jeden der 10 häufigsten kategorischen Werte nach der Anzahl der Beobachtungen in der Eingabedatei ein, die diesen Wert enthält, sowie einem Link zur Anzeige von Beispielbeobachtungen aus der Eingabedatendatei.

Erläuterungen zur Verteilung von numerischen Attributen

Um die Verteilung eines numerischen Attributs anzuzeigen, klicken Sie auf den Link Preview für das Attribut. Wenn Sie die Verteilung eines numerischen Attributs erstellen, können Sie Bin-Größen von 500, 200, 100, 50 oder 20 festlegen. Die größer die Bin-Größe, um so kleiner die Anzahl der Balkendiagramme, die angezeigt werden. Darüber hinaus wird die Auflösung der Verteilung für große Bin-Größen recht grob. Im Gegensatz dazu erhöht das Festlegen der Bucket-Größe auf 20 die Auflösung der angezeigten Verteilung.

Die minimalen, mittleren und maximalen Werte werden ebenfalls angezeigt (siehe Abbildung).

Erläuterungen zur Verteilung von Textattributen

Um die Verteilung eines Textattributs anzuzeigen, klicken Sie auf den Link Preview für das Attribut. Bei der Anzeige der Verteilung eines Textattributs sehen Sie die folgenden Informationen.