Limitaciones y solución de problemas - Amazon SageMaker
Solución de problemas relacionados con la concesión de permisos a través de la SageMaker consolaSolución de problemas relacionados con la creación de una aplicación de Canvas debido a una falta de espacioLimitaciones de la colaboraciónLimitaciones para traer tu propio modelo () BYOM

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.

Limitaciones y solución de problemas

En la siguiente sección, se describe la ayuda para la solución de problemas y las limitaciones que se aplican al usar Amazon SageMaker Canvas. Puede utilizar este tema como ayuda para solucionar cualquier problema que se le presente.

Solución de problemas relacionados con la concesión de permisos a través de la SageMaker consola

Si tiene problemas para conceder permisos básicos o permisos de Ready-to-use modelos de Canvas a su usuario, es posible que su usuario tenga una función de AWS IAM ejecución con más de una relación de confianza con otros AWS servicios. Una relación de confianza es una política asociada a su rol que define qué entidades principales (usuarios, funciones, cuentas o servicios) pueden asumir ese rol. Por ejemplo, es posible que se produzca un problema al conceder permisos adicionales de Canvas a tu usuario si su función de ejecución tiene una relación de confianza tanto con Amazon como con Amazon SageMaker Forecast.

Para solucionar este problema, elija una de las siguientes opciones.

1. Elimine del rol todos los servicios de confianza excepto uno.

Esta solución requiere que edites la relación de confianza para el IAM rol de tu perfil de usuario y que elimines todos los AWS servicios excepto SageMaker.

Para editar la relación de confianza de su función de IAM ejecución, haga lo siguiente:

  1. Vaya a la IAM consola en https://console.aws.amazon.com/iam/.

  2. En el panel de navegación de la IAM consola, selecciona Roles. La consola muestra los roles asociados a su cuenta.

  3. Elija el nombre del rol que desea modificar y seleccione la pestaña Relaciones de confianza en la página de detalles.

  4. Elija Editar la política de confianza.

  5. En el editor Editar la política de confianza, pegue lo siguiente y, a continuación, seleccione Actualizar política.

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

También puede actualizar este documento de política mediante IAMCLI. Para obtener más información, consulte update-trust en la Referencia de la línea de IAM comandos.

Ahora puede volver a intentar conceder los permisos básicos de Canvas o los permisos de los Ready-to-use modelos a su usuario.

2. Utilice un rol diferente con uno o varios servicios de confianza.

Esta solución requiere que especifique un IAM rol diferente para su perfil de usuario. Utilice esta opción si ya tiene un IAM rol que pueda sustituir.

Para especificar otro rol de ejecución para el usuario, haga lo siguiente:

  1. Abre la SageMaker consola de Amazon en https://console.aws.amazon.com/sagemaker/.

  2. En el panel de navegación izquierdo, seleccione Configuraciones de administración.

  3. En Configuraciones de administración, selecciona dominios.

  4. En la lista de dominios, selecciona el dominio del que quieres ver una lista de perfiles de usuario.

  5. En la página de detalles del dominio, selecciona la pestaña Perfiles de usuario.

  6. Elija el usuario cuyos permisos quiera editar. En la página Detalles del usuario, elija Editar.

  7. En la página de Configuración general, elija la lista desplegable Rol de ejecución y seleccione el rol que desee usar.

  8. Seleccione Enviar para guardar los cambios en el perfil de usuario.

Su usuario ahora debería usar un rol de ejecución con un solo servicio de confianza (SageMaker).

Puede volver a intentar conceder los permisos básicos de Canvas o los permisos de los Ready-to-use modelos a su usuario.

3. Adjunte manualmente la política AWS gestionada a la función de ejecución en lugar de utilizar el conmutador de la configuración del SageMaker dominio.

En lugar de activar la configuración del dominio o del perfil de usuario, puedes adjuntar manualmente las políticas AWS administradas que otorgan a un usuario los permisos correctos.

Para conceder a un usuario los permisos básicos de Canvas, adjunta la AmazonSageMakerCanvasFullAccesspolítica. Para conceder permisos a un Ready-to-use modelo de usuario, adjunte la AmazonSageMakerCanvasAIServicesAccesspolítica.

Utilice el siguiente procedimiento para adjuntar una política AWS gestionada a su función:

  1. Diríjase a la IAM consola en https://console.aws.amazon.com/iam/.

  2. Elija Roles.

  3. En el cuadro de búsqueda, busque el IAM rol del usuario por nombre y selecciónelo.

  4. En la página del rol del usuario, en Permisos, seleccione Agregar permisos.

  5. En el menú desplegable, seleccione Asociar políticas.

  6. Busque y seleccione la política o las políticas que desee asociar al rol de ejecución del usuario:

    1. Para conceder los permisos básicos de Canvas, busque y seleccione la AmazonSageMakerCanvasFullAccesspolítica.

    2. Para conceder permisos a los Ready-to-use modelos, busque y seleccione la AmazonSageMakerCanvasAIServicesAccesspolítica.

  7. Seleccione Agregar permisos para asociar la política al rol.

Tras adjuntar una política AWS gestionada a la función del usuario a través de la IAM consola, su usuario debería tener ahora los permisos básicos de Canvas o los permisos de Ready-to-use modelos.

Solución de problemas relacionados con la creación de una aplicación de Canvas debido a una falta de espacio

Al crear una nueva aplicación de Canvas, si encuentras un error al indicarloUnable to create app <app-arn> because space <space-arn> is not in InService state, esto indica que la creación del espacio subyacente de Amazon SageMaker Studio ha fallado. Un espacio de estudio es el almacenamiento subyacente que aloja los datos de la aplicación Canvas. Para obtener más información general sobre los espacios de Studio, consulteEspacios de Amazon SageMaker Studio. Para obtener más información sobre la configuración de espacios en Canvas, consulteGuarde los datos de la aplicación SageMaker Canvas en su propio espacio SageMaker.

Para determinar la causa principal del error en la creación del espacio, puede utilizar el campo DescribeSpaceAPIpara comprobar FailureReason este campo. Para obtener más información sobre los posibles estados de los espacios y su significado, consulteEntidades y estados de SageMaker dominio de Amazon.

Para resolver este problema, busca tu dominio en la SageMaker consola y elimina el espacio fallido que aparece en el mensaje de error que has recibido. Para ver los pasos detallados sobre cómo buscar y eliminar un espacio, consulta la página Elimine o detenga las instancias, aplicaciones y espacios en ejecución de Studio y sigue las instrucciones para eliminar un espacio de Studio. Al eliminar el espacio, también se eliminan todas las aplicaciones asociadas al espacio. Después de eliminar el espacio, puede intentar volver a crear su aplicación Canvas. El espacio debería ahora aprovisionarse correctamente, lo que permitirá que Canvas se inicie.

Limitaciones de la colaboración

Las siguientes limitaciones generales se aplican cuando colabora con científicos de datos en Amazon SageMaker Studio Classic.

  • Solo puede compartir modelos entrenados correctamente desde Canvas a Studio Classic. Del mismo modo, solo puede compartir con Canvas los modelos que se hayan entrenado correctamente en Studio Classic.

  • No puede compartir modelos de construcción rápida de Canvas con Studio Classic. Solo puede compartir modelos de Compilación estándar.

  • Solo puede compartir una versión de un modelo de una Compilación estándar entrenado en Canvas. Puede entrenar versiones adicionales de su modelo en Canvas, pero no puede compartirlas en Studio Classic.

  • Desde Studio Classic, solo puedes compartir comentarios o compartir un modelo actualizado con Canvas. No puede realizar ambas acciones al mismo tiempo.

  • El límite de longitud de los comentarios compartidos de Studio Classic a Canvas y de Canvas a Studio Classic es de 1024 caracteres.

  • Solo puede compartir sus modelos Canvas o Studio Classic con un perfil de usuario diferente. No puede compartir modelos entre Canvas y Studio Classic dentro de su propio perfil de usuario.

  • No puede compartir de un usuario de Canvas a un usuario de Canvas, ni de un usuario de Studio Classic a un usuario de Studio Classic.

También hay limitaciones que se aplican según el tipo de modelo que desee compartir. Consulte las siguientes secciones para conocer las limitaciones de los modelos de previsión de series temporales y los modelos de predicción numérica y categórica.

Limitaciones para colaborar en modelos de previsión de series temporales

Las siguientes limitaciones se aplican cuando colabora en modelos de previsión de series temporales entre Canvas y Studio Classic.

  • No puede realizar predicciones con modelos de previsión de series temporales en Studio Classic mediante un botón de compartir automatizado. Sin embargo, puede crear un cuaderno de Jupyter y escribir su propio código.

  • En el caso de los modelos de previsión de series temporales, no puede cambiar la receta del modelo ni las transformaciones de datos en Studio Classic. En Studio Classic, solo puede realizar las siguientes actualizaciones en los modelos de previsión de series temporales:

    • Puede actualizar la longitud del horizonte de previsión.

    • Puede actualizar el campo de metadatos del elemento, que agrupa los datos en una columna determinada.

    • Puede actualizar otros campos de dimensión, por ejemplo, especificar un calendario de días festivos.

Limitaciones a la colaboración en modelos de predicción numérica y categórica

Las siguientes limitaciones se aplican cuando se colabora en tipos de modelos de predicción numéricos y categóricos entre Canvas y Studio Classic.

  • Al actualizar o entrenar modelos en Studio Classic, si cierra la pestaña con el banner de colaboración en la parte superior, finaliza el flujo de trabajo del modelo compartido y pierde su progreso. En ese caso, debe reiniciar el flujo de trabajo del modelo compartido desde la sección Compartidos conmigo de la página Modelos compartidos. Para obtener más información, consulte Colaboración con científicos de datos.

  • Al actualizar los modelos en Studio Classic, no puedes cambiar la columna de destino si quieres volver a compartir las actualizaciones de los modelos en Canvas. Si quiere cambiar la columna de destino y volver a entrenar el modelo, entrene el modelo y, a continuación, use el botón Compartir para compartirlo en Canvas. Para obtener más información sobre cómo compartir un modelo nuevo en Canvas, consulte Traiga su propio modelo a SageMaker Canvas.

  • Al actualizar los modelos en la interfaz de recetas de Amazon SageMaker Data Wrangler en Studio Classic, hay límites a los que puede aplicar un usuario de Studio Classic que Canvas admite:

    • Solo puede compartir con Canvas un modelo que haya sido entrenado desde el último nodo de un flujo de datos lineal de Data Wrangler.

    • Solo se admiten los nodos de transformación.

    • No puede realizar operaciones en la columna de Destino.

    • No puede actualizar el tipo de datos de las columnas.

    • No puede actualizar el origen de datos ni agregar un nuevo origen de datos.

  • Al compartir un candidato alternativo a Canvas desde la página del piloto automático de Studio Classic, no puedes seleccionar el modelo de la tabla de clasificación. Debe elegir el modelo compartido del encabezado y, a continuación, seleccionar una alternativa de la lista. Para obtener más información, consulte Compartir un modelo alternativo con el usuario de Canvas en la documentación de Canvas.

  • Solo los modelos que son compatibles con SageMaker Neo se pueden compartir correctamente con Canvas. Los modelos compatibles son modelos de piloto automático que utilizan MLP algoritmos XGBoost Or. Los modelos incompatibles incluyen los modelos de piloto automático que utilizan el algoritmo de aprendizaje lineal.

  • Para las transformaciones de fórmulas personalizadas con SparkSQL, Canvas solo admite las operaciones unarias, las funciones de agregación, la operación de concatenación de cadenas y la operación de potencia. No se admiten otras operaciones.

Limitaciones para traer tu propio modelo () BYOM

Las siguientes limitaciones generales se aplican cuando desea llevar su propio modelo a SageMaker Canvas.

  • Cuando se comparte un modelo de Studio Classic a Canvas, el usuario de Canvas no puede actualizar ni ver los detalles del conjunto de datos que se utilizó para crear el modelo.

  • Cuando un usuario de Canvas quiere ejecutar una única predicción en un modelo importado, no hay restricciones de tipo de datos al actualizar los valores de las columnas. Debe asegurarse manualmente de que, cuando actualice los valores de las predicciones individuales, coincida con el tipo de datos de los valores existentes.

  • Cuando un usuario de Canvas quiere ejecutar predicciones por lotes en un modelo importado, Canvas asume que usted (el usuario de Canvas) sabe cómo debería ser el conjunto de datos de entrada esperado. Debe tener un conjunto de datos con columnas y tipos de datos que coincidan con el conjunto de datos que se utilizó para entrenar el modelo. Si no es así, consulte con el usuario que compartió el modelo e importe un conjunto de datos que pueda usar para ejecutar predicciones por lotes.

  • La aplicación de Canvas utiliza internamente un punto de conexión sin servidor para ejecutar predicciones y generar métricas del modelo. El modelo compartido con Canvas debe ser compatible con los puntos de conexión sin servidor:

    • El tamaño máximo de memoria es de 6144 MB.

    • Al configurar las claves de respuesta de entrada de inferencia en su contenedor, utilice la siguiente configuración:

      INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}

    • Puede elegir un contenedor de inferencias SageMaker proporcionado por usted o traer su propio contenedor de inferencia de imágenes para usarlo como punto final. SageMaker proporciona contenedores para sus algoritmos integrados e imágenes de Docker prediseñadas para algunos de los marcos de aprendizaje automático más comunes. Si va a traer su propio contenedor, debe modificarlo para que funcione con él. SageMaker Para obtener más información acerca de cómo incorporar su contenedor, consulte Adaptación del contenedor de inferencias propio.

    • También se aplican Exclusiones de características para los puntos de conexión sin servidor.

  • Para compartir correctamente un modelo de Studio Classic con Canvas, Canvas acepta los resultados de las inferencias del modelo en el siguiente formato:

    TEXT/CSV

    • Regresión: la respuesta de inferencia del modelo debe ser una cadena de bytes en la que cada una de las predicciones de salida esté separada por \n:

      b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'

    • Clasificación: la respuesta de inferencia del modelo debe ser una cadena de bytes en la que cada uno de los valores predicted_label, predicted_probability, probabilities y labels esté separado por \n. El siguiente ejemplo es para la clasificación binaria:

      b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

      El siguiente ejemplo es para la clasificación multiclase:

      b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

    APPLICATION/JSON

    • Regresión: la respuesta de inferencia del modelo debe ser una JSON cadena que contenga la prediction clave y su valor debe ser la lista de predicciones de salida:

      let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

    • Clasificación: la respuesta de inferencia del modelo debe ser una JSON cadena que contenga la probabilities clave y su valor debe ser la lista de probabilidades.

      El siguiente ejemplo es para la clasificación binaria:

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

      El siguiente ejemplo es para la clasificación multiclase:

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

También hay limitaciones que se aplican según el tipo de modelo que desee incorporar.

Traiga su propio modelo de JumpStart

Revise la siguiente información y los límites cuando comparta un JumpStart modelo con Canvas.

  • Los siguientes son los algoritmos compatibles para los que puede importar modelos a Canvas. Para obtener más información, consulte la documentación de JumpStart .

    • Clasificación tabular: LightGBM,,, AutoGluon -Tabular CatBoostXGBoost, Linear Learner TabTransformer

    • Regresión tabular: Aprendiz ligeroGBM,, tabular CatBoostXGBoost, AutoGluon lineal TabTransformer

  • En JumpStart, el botón Compartir solo está activado si el modelo está listo para compartirse en Canvas. Si su modelo entrenado no tiene el botón Compartir en SageMaker Canvas, su modelo no es compatible con élBYOM.

  • Debe proporcionar conjuntos de datos de entrenamiento y validación al entrenar el JumpStart modelo. Los conjuntos de datos deben almacenarse en Amazon S3 y el rol de ejecución de los usuarios de Studio Classic y Canvas debe tener acceso a la ubicación de Amazon S3. Puede usar el mismo Amazon S3 URIs para compartir los conjuntos de datos de entrenamiento y validación con Canvas, o puede compartir diferentes conjuntos de datos con el mismo esquema de datos.

    El archivo de datos de entrenamiento o validación debe tener el siguiente aspecto (en CSV formato). Debe indexar sus archivos con la primera columna como destino.

    3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6

  • De forma predeterminada, JumpStart utiliza la primera columna de los conjuntos de datos de entrenamiento y validación como objetivo al entrenar un modelo. La columna de destino (o, de forma predeterminada, la primera columna) de los conjuntos de datos se comparte con Canvas.

  • Debe proporcionar los encabezados de las columnas de los conjuntos de datos de entrenamiento y validación al entrenar el modelo. JumpStart De forma predeterminada, JumpStart solo acepta conjuntos de datos sin encabezados de columna, por lo que debe agregar los encabezados de columna como un archivo mientras entrena el modelo. El Amazon S3 URI para el archivo de encabezados de columnas también se comparte con Canvas. El archivo de encabezados de columnas debería tener el siguiente aspecto (en CSV formato). La primera columna debe ser el objetivo.

    Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1

  • El trabajo de formación JumpStart debe realizarse Complete antes de poder compartirlo con Canvas.

  • En el caso de los problemas de clasificación (o de predicción categórica en Canvas), los nombres originales de las clases deben proporcionarse en la sección Configurar las salidas del modelo al compartirlas con Canvas. El orden de los nombres de las clases debe coincidir con la indexación utilizada en el modelo. Su archivo de relaciones de mapeo debería tener un CSV formato similar al del siguiente ejemplo, donde el índice 0 (el primer índice) se asigna al nombre de la clase: A

    A	B	C	D

    Cuando el usuario de Canvas visualiza las métricas del modelo en la aplicación de Canvas, solo puede ver el índice de cada clase (0, 1, 2). Sin embargo, el usuario puede ver los nombres de las clases al ver los resultados de una sola predicción.

Incorporación de un modelo propio desde el piloto automático

Revise la siguiente información y los límites al compartir un modelo desde el piloto automático con Canvas.

  • Solo puede compartir con Canvas los modelos que haya entrenado correctamente a partir de un trabajo de AutoML con el modo Ensamble o Auto (para el modo Auto HPO, el piloto automático elige Ensamble o HPOel modo en función del tamaño del conjunto de datos de entrenamiento). Los tipos de problemas del piloto automático compatibles actualmente son la regresión, la clasificación multiclase y la clasificación binaria.

  • Para cada trabajo de piloto automático, puede elegir cualquier modelo (el mejor modelo o cualquier otro candidato) para compartirlo en Canvas de uno en uno. Solo tiene que seleccionar el botón Compartir modelo y, a continuación, especificar los usuarios de Canvas con los que quiera compartir el modelo y una nota.

  • AutoGluon-Los modelos tabulares que utilizan transformadores Data Wrangler para realizar inferencias no se pueden compartir con Canvas. Esto se debe a que los transformadores de Data Wrangler hacen que el modelo utilice más de un contenedor.

  • HPOlos modelos que no son compatibles con SageMaker Neo no se pueden compartir con Canvas correctamente. Los modelos compatibles son los modelos de piloto automático que utilizan MLP algoritmos XGBoost Or. Los modelos incompatibles incluyen los modelos de piloto automático que utilizan el algoritmo de aprendizaje lineal.

Incorporación de un modelo propio desde el registro de modelos

Revise la siguiente información y los límites al compartir un modelo desde el registro de modelos con Canvas.

  • A diferencia del botón Compartir que proporciona JumpStart, Model Registry no permite validar el modelo, por lo que es posible que un modelo registrado que se haya compartido correctamente desde Studio Classic no se pueda importar a Canvas debido a una incompatibilidad de modelos. Revise los siguientes consejos antes de compartir en Canvas desde el registro de modelos:

    • Utilice un único contenedor de inferencias para su modelo. Puede registrar modelos con varios contenedores dentro del AdditionalInferenceSpecificationscampo, pero Canvas solo está optimizado para un contenedor de inferencias por modelo. Por ejemplo, cuando utiliza una canalización de inferencia y registra varios contenedores en el campo AdditionalInferenceSpecifications con varios contenedores de preprocesamiento de datos y un contenedor de inferencia, de forma predeterminada, se selecciona el primer contenedor para la inferencia de modelos en Canvas. Evalúe si esto funciona para su caso de uso si utiliza canalizaciones de machine learning.

    • Utilice un algoritmo tabular SageMaker integrado con formatos de inferencia compatibles. Los algoritmos de muestra probados con resultados de inferencia compatibles son Autogluon-Tabular, Light y. CatBoost GBM TabTransformer XGBoost Los algoritmos como las máquinas de factorización no se aceptan CSV como entrada de archivos, y Canvas no admite los formatos de salida de inferencias para algoritmos como Linear Learner y K-NN.

    • También puede traer su propio contenedor de imágenes y compartirlo en Canvas, o modificar los contenedores prediseñados. SageMaker

  • Al registrar su modelo en un grupo de paquetes de modelos, recuerde proporcionar los siguientes atributos con su contenedor de inferencias:

    • Entorno:

      "{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

    • Imagen:

      "s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

    • ModelDataUrl

      "<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

  • Debe proporcionar conjuntos de datos de entrenamiento y validación al compartir el modelo desde el registro de modelos a Canvas. Los conjuntos de datos deben almacenarse en Amazon S3 y el rol de ejecución de los usuarios de Studio Classic y Canvas debe tener acceso a la ubicación de Amazon S3. Puede usar el mismo Amazon S3 URIs para compartir los conjuntos de datos de entrenamiento y validación con Canvas, o puede compartir diferentes conjuntos de datos con el mismo esquema de datos. Los conjuntos de datos deben tener el formato de entrada exacto que alimenta el contenedor de inferencias del modelo.

  • Debe proporcionar la columna de destino a Canvas o, de lo contrario, se utilizará la primera columna de su conjunto de datos de entrenamiento/validación de forma predeterminada.

  • En la sección Agregar detalles del modelo al compartir en Canvas, puede proporcionar la primera fila de sus conjuntos de datos de entrenamiento y validación como encabezados, o puede especificar los encabezados como un archivo diferente.

  • En el caso de problemas de clasificación (o de predicción categórica en Canvas), es necesario proporcionar los nombres de las clases originales al compartirlas con SageMaker Canvas mediante la opción Configurar los resultados del modelo. El orden de los nombres de las clases debe coincidir con la indexación utilizada con el modelo compartido. El mapeo puede ser un CSV archivo en Amazon S3 o puede introducir manualmente los nombres de las clases.