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.
Modelos personalizados
En Amazon SageMaker Canvas, puede entrenar modelos de aprendizaje automático personalizados que se adapten a sus datos y casos de uso específicos. Al entrenar un modelo personalizado con sus datos, puede capturar las características y tendencias que son específicas y más representativas de sus datos. Por ejemplo, es posible que desee crear un modelo de previsión de series temporales personalizado que se entrene con los datos de inventario de su almacén para administrar sus operaciones logísticas.
Canvas admite el entrenamiento de diversos tipos de modelos. Después de entrenar un modelo personalizado, puede evaluar el rendimiento y la exactitud del modelo. Una vez satisfecho con un modelo, puede hacer predicciones a partir de nuevos datos y también tiene la opción de compartir el modelo personalizado con los científicos de datos para analizarlo más a fondo o de implementarlo en un punto final alojado por SageMaker IA para realizar inferencias en tiempo real, todo ello desde la aplicación Canvas.
Puede entrenar un modelo personalizado de Canvas con los siguientes tipos de conjuntos de datos:
-
Tabular (incluye datos numéricos, categóricos, de series temporales y de texto)
-
Imagen
La siguiente tabla muestra los tipos de modelos personalizados que puede crear en Canvas, junto con los tipos de datos y los orígenes de datos compatibles.
| Tipo de modelo | Ejemplo de caso de uso | Tipos de datos compatibles | Orígenes de datos admitidos |
|---|---|---|---|
Predicción numérica |
Predicción de los precios de la vivienda en función de características como la superficie |
Numérico |
Carga local, Amazon S3, conectores de SaaS |
Predicción de 2 categorías |
Predecir si es probable que un cliente deje de confiar en su marca o no |
Binario o categórico |
Carga local, Amazon S3, conectores de SaaS |
Predicción de 3 y más categorías |
Predicción de los resultados de los pacientes tras ser dados de alta del hospital |
Categórico |
Carga local, Amazon S3, conectores de SaaS |
Previsión de serie temporal |
Predicción de su inventario para el próximo trimestre |
Serie temporal |
Carga local, Amazon S3, conectores de SaaS |
Predicción de imágenes de etiqueta única |
Predicción de los tipos de defectos de fabricación en imágenes |
Imagen (JPG, PNG) |
Carga local, Amazon S3 |
Predicción de texto multicategoría |
Predicción de categorías de productos, como ropa, artículos electrónicos o artículos para el hogar, en función de las descripciones de los productos |
Columna de origen: texto Columna de destino: binaria o categórica |
Carga local, Amazon S3 |
Introducción
Para empezar a crear y generar predicciones a partir de un modelo personalizado, haga lo siguiente:
-
Determine su caso de uso y el tipo de modelo que quiera crear. Para obtener más información acerca de los tipos de modelos personalizados, consulte Cómo funcionan los modelos personalizados. Para obtener más información sobre los tipos de datos y orígenes compatibles con los modelos personalizados, consulte Importación de datos.
-
Importe sus datos a Canvas. Puede crear un modelo personalizado con cualquier conjunto de datos tabular o de imágenes que cumpla con los requisitos de entrada. Para obtener más información acerca de los requisitos de entrada, consulte Creación de un conjunto de datos.
Para obtener más información sobre los conjuntos de datos de muestra proporcionados por la SageMaker IA con los que puede experimentar, consulte. Conjuntos de datos de ejemplo en Canvas
-
Cree de su modelo personalizado. Puede realizar una Compilación rápida para obtener su modelo y empezar a hacer predicciones con mayor rapidez, o puede realizar una Compilación estándar para obtener una mayor precisión.
Para los tipos de modelos de previsión numéricos, categóricos y de series temporales, puede limpiar y preparar los datos con la característica Data Wrangler. En Data Wrangler, puede crear un flujo de datos y utilizar diversas técnicas de preparación de datos, como aplicar transformaciones avanzadas o unir conjuntos de datos. En el caso de los modelos de predicción de imágenes, puede Edición de un conjunto de datos de imágenes para actualizar las etiquetas o agregar y eliminar imágenes. Tenga en cuenta que no puede utilizar estas características para modelos de predicción de texto de varias categorías.
-
Evalúe el rendimiento del modelo y determine en qué medida podría funcionar con datos del mundo real.
-
Realice predicciones únicas o por lotes con su modelo.
