Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Descarga, preparación y carga de datos de entrenamiento

En este ejemplo, se utiliza un conjunto de datos de entrenamiento de información sobre clientes de bancos que incluye el trabajo del cliente, su estado civil y cómo fueron contactados durante la campaña de marketing directo del banco. Para utilizar un conjunto de datos para un trabajo de ajuste de hiperparámetros, debe descargarlo, transformar los datos y, a continuación, cargarlos en un bucket de Amazon S3.

Para obtener más información sobre el conjunto de datos y la transformación de datos que realiza el ejemplo, consulte el cuaderno hpo_xgboost_direct_marketing_sagemaker_ en la sección Ajuste de hiperparámetros de la pestaña APIs Ejemplos de la instancia de su bloc de notas. SageMaker

Descarga y exploración del conjunto de datos de entrenamiento

Para descargar y explorar el conjunto de datos, ejecute el siguiente código en su cuaderno:

!wget -N https://archive.ics.uci.edu/ml/machine-learning-databases/00222/bank-additional.zip
!unzip -o bank-additional.zip
data = pd.read_csv('./bank-additional/bank-additional-full.csv', sep=';')
pd.set_option('display.max_columns', 500)     # Make sure we can see all of the columns
pd.set_option('display.max_rows', 5)         # Keep the output on one page
data

Preparación y carga de los datos

Antes de crear el trabajo de ajuste de hiperparámetros, prepare los datos y cárguelos en un bucket de S3 al que pueda obtener acceso el trabajo de ajuste de hiperparámetros.

Ejecute el siguiente código en su cuaderno:

data['no_previous_contact'] = np.where(data['pdays'] == 999, 1, 0)                                 # Indicator variable to capture when pdays takes a value of 999
data['not_working'] = np.where(np.in1d(data['job'], ['student', 'retired', 'unemployed']), 1, 0)   # Indicator for individuals not actively employed
model_data = pd.get_dummies(data)                                                                  # Convert categorical variables to sets of indicators
model_data
model_data = model_data.drop(['duration', 'emp.var.rate', 'cons.price.idx', 'cons.conf.idx', 'euribor3m', 'nr.employed'], axis=1)

train_data, validation_data, test_data = np.split(model_data.sample(frac=1, random_state=1729), [int(0.7 * len(model_data)), int(0.9*len(model_data))])

pd.concat([train_data['y_yes'], train_data.drop(['y_no', 'y_yes'], axis=1)], axis=1).to_csv('train.csv', index=False, header=False)
pd.concat([validation_data['y_yes'], validation_data.drop(['y_no', 'y_yes'], axis=1)], axis=1).to_csv('validation.csv', index=False, header=False)
pd.concat([test_data['y_yes'], test_data.drop(['y_no', 'y_yes'], axis=1)], axis=1).to_csv('test.csv', index=False, header=False)

boto3.Session().resource('s3').Bucket(bucket).Object(os.path.join(prefix, 'train/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(os.path.join(prefix, 'validation/validation.csv')).upload_file('validation.csv')

Paso siguiente

Configuración y lanzamiento de un trabajo de ajuste de hiperparámetros