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.
ML-Modelltypen
Amazon ML unterstützt drei ML-Modelltypen: binäre Klassifizierung, Mehrklassen-Klassifizierung und Regression. Wählen Sie den Modelltyp danach aus, welches Ziel Sie voraussagen möchten.
Binäres Klassifizierungsmodell
ML-Modelle für binäre Klassifizierungsprobleme prognostizieren ein binäres Ergebnis (eine von zwei möglichen Klassen). Um binäre Klassifizierungsmodelle zu schulen, verwendet Amazon ML den branchenüblichen Lern-Algorithmus der logistischen Regression, um binäre Klassifizierungsmodelle zu schulen.
Beispiele für binäre Klassifizierungsprobleme:
-
"Ist diese E-Mail Spam oder nicht?“
-
"Wird der Kunde das Produkt kaufen?“
-
"Ist Ihr Produkt ein Buch oder ein Nutztier?"
-
"Wurde diese Bewertung von einem Kunden oder einer Maschine geschrieben?"
Mehrklassen-Klassifizierungsmodell
Mit ML-Modellen für Mehrklassen-Klassifizierungsprobleme können Sie Prognosen für mehrere Klassen generieren (Vorhersage von einem aus mehr als zwei Ergebnissen). Nutzen Sie den branchenüblichen Lern-Algorithmus der multinominalen logistischen Regression, um Mehrklassen-Modelle zu schulen.
Beispiele für Mehrklassen-Probleme:
-
"Ist das Produkt ein Buch, ein Film oder Kleidung?"
-
"Ist dieser Film ein Liebeskomödie, eine Dokumentation oder ein Thriller?"
-
"Welche Kategorie von Produkten für diesen Kunden am interessantesten?"
Regressionsmodell
ML-Modelle für Regressionsprobleme sagen einen numerischen Wert voraus. Nutzen Sie den branchenüblichen Lern-Algorithmus der multinominalen linearen Regression, um Regressionsmodelle zu schulen.
Beispiele für Regressionsprobleme:
-
"Wie wird die Temperatur in Seattle morgen sein?"
-
"Wie viele Einheiten dieses Produkts werden wir verkaufen?"
-
"Für welchen Preis wird dieses Haus verkauft?"
