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.

Prepare los datos para la creación de modelos

Es posible que su conjunto de datos de machine learning requiera la preparación de los datos antes de crear el modelo. Es posible que quiera limpiar los datos debido a varios problemas, entre los que se pueden incluir valores faltantes o valores atípicos, y realizar ingeniería de características para mejorar la precisión del modelo. Amazon SageMaker Canvas proporciona transformaciones de datos de aprendizaje automático con las que puede limpiar, transformar y preparar los datos para la creación de modelos. Puede utilizar estas transformaciones en sus conjuntos de datos sin necesidad de código. SageMaker Canvas agrega las transformaciones que usa a la receta del modelo, que es un registro de la preparación de datos realizada con los datos antes de crear el modelo. Cualquier transformación de datos que utilice solo modifica los datos de entrada para la creación del modelo y no modifica el origen de datos original.

La vista previa de su conjunto de datos muestra las primeras 100 filas del conjunto de datos. Si su conjunto de datos tiene más de 20 000 filas, Canvas toma una muestra aleatoria de 20 000 filas y obtiene una vista previa de las 100 primeras filas de esa muestra. Solo puede buscar y especificar valores de las filas previsualizadas, y la funcionalidad de filtrado solo filtra las filas previsualizadas y no todo el conjunto de datos.

Las siguientes transformaciones están disponibles en SageMaker Canvas para que pueda preparar los datos para la construcción.

Exclusión de columnas

Puede excluir una columna de la compilación del modelo colocándola en la pestaña Construir de la aplicación SageMaker Canvas. Deseleccione la columna que quiera excluir y no se incluirá al crear el modelo.

Filtrado de filas

La funcionalidad de filtrado filtra las filas previsualizadas (las 100 primeras filas del conjunto de datos) según las condiciones que especifique. El filtrado de filas crea una vista previa temporal de los datos y no afecta a la creación del modelo. Puede filtrar para obtener una vista previa de las filas a las que les falten valores, contengan valores atípicos o cumplan condiciones personalizadas en la columna que elija.

Filtrado de filas por valores faltantes

Los valores faltantes son frecuentes en los conjuntos de datos de machine learning. Si tiene filas con valores nulos o vacíos en determinadas columnas, puede que desee filtrarlas y obtener una vista previa de esas filas.

Para filtrar los valores faltantes de los datos de la vista previa, haga lo siguiente.

SageMaker Canvas filtra las filas que contienen valores faltantes en la columna que ha seleccionado y proporciona una vista previa de las filas filtradas.

Filtrado de filas por valores atípicos

Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y prolongar los tiempos de construcción. SageMaker Canvas le permite detectar y filtrar filas que contienen valores atípicos en columnas numéricas. Puede elegir definir los valores atípicos con desviaciones estándar o con un rango personalizado.

Para filtrar los valores atípicos en sus datos, haga lo siguiente.

La opción Desviación estándar detecta y filtra los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para la SD, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico.

La opción Rango personalizado detecta y filtra los valores atípicos en las columnas numéricas mediante valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Puede establecer el Tipo de rango en Percentil o Número. Si elige Percentil, los valores Mín y Máx deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir. Si elige Número, los valores Mín y Máx deben ser los valores numéricos mínimos y máximos que desee filtrar en los datos.

Filtrado de las filas por valores personalizados

Puede filtrar por las filas con valores que cumplan condiciones personalizadas. Por ejemplo, es posible que desee obtener una vista previa de las filas que tengan un valor de precio superior a 100 antes de eliminarlas. Con esta funcionalidad, puede filtrar las filas que superen el umbral que haya establecido y obtener una vista previa de los datos filtrados.

Para utilizar la función de filtrado personalizado, haga lo siguiente.

Para la Operación, puede elegir una de las siguientes opciones: Tenga en cuenta que las operaciones disponibles dependen del tipo de datos de la columna que elija. Por ejemplo, no puede crear una operación is greater than para una columna que contenga valores de texto.

Después de configurar la operación de filtrado, SageMaker Canvas actualiza la vista previa del conjunto de datos para mostrarle los datos filtrados.

Funciones y operadores

Puede utilizar funciones y operadores matemáticos para explorar y distribuir los datos. Puede utilizar las funciones compatibles con SageMaker Canvas o crear su propia fórmula con los datos existentes y crear una nueva columna con el resultado de la fórmula. Por ejemplo, puede agregar los valores correspondientes de dos columnas y guardar el resultado en una nueva columna.

Puede agrupar sentencias para crear funciones más complejas. A continuación se muestran algunos ejemplos de funciones anidadas que podría utilizar.

Puede especificar las funciones en la etapa de preparación de los datos antes de crear el modelo. Para usar una función, haga lo siguiente.

SageMaker Canvas guarda el resultado de su función en una nueva columna con el nombre que especificó en Nombre de nueva columna. Puede ver o eliminar funciones desde el panel Receta de modelo.

SageMaker Canvas admite los siguientes operadores para las funciones. Puede utilizar el formato de texto o el formato en línea para especificar la función.

SageMaker Canvas también admite operadores agregados, que pueden realizar operaciones como calcular la suma de todos los valores o encontrar el valor mínimo en una columna. Puede utilizar operadores de agregación en combinación con operadores estándar en sus funciones. Por ejemplo, para calcular la diferencia de valores con respecto a la media, puede utilizar la funciónAbs(height – avg(height)). SageMaker Canvas admite los siguientes operadores agregados.

Administrar filas

Con la transformación Administrar filas, puede ordenar, mezclar aleatoriamente y eliminar filas de datos del conjunto de datos.

Ordenar filas

Para ordenar las filas de un conjunto de datos por una columna determinada, haga lo siguiente.

Mezclar filas

Para mezclar aleatoriamente las filas de un conjunto de datos, haga lo siguiente.

Eliminar filas duplicadas

Para eliminar las filas duplicadas de un conjunto de datos, haga lo siguiente.

Eliminar filas por valores faltantes

Los valores faltantes son frecuentes en los conjuntos de datos de machine learning y pueden afectar a la precisión del modelo. Utilice esta transformación si desea eliminar filas con valores nulos o vacíos en determinadas columnas.

Para eliminar las filas que contengan valores faltantes en una columna específica, haga lo siguiente.

SageMaker Canvas descarta las filas que contienen valores faltantes en la columna que seleccionó. Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección de Recetas de modelo, las filas vuelven a su conjunto de datos.

Eliminar filas por valores atípicos

Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y provocar tiempos de compilación más prolongados. Con SageMaker Canvas, puede detectar y eliminar filas que contienen valores atípicos en columnas numéricas. Puede elegir definir los valores atípicos con desviaciones estándar o con un rango personalizado.

Para eliminar los valores atípicos de los datos, haga lo siguiente.

La opción Desviación estándar detecta y elimina los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para Desviaciones estándares, un valor debe estar a más de 3 desviaciones estándares de la media para que se considere un valor atípico.

Las opciones Rango numérico personalizado y Rango de cuantiles personalizado detectan y eliminan los valores atípicos en las columnas numéricas utilizando valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Si elige un rango numérico, los valores Mín y Máx deben ser los valores numéricos mínimos y máximos que desee permitir en los datos. Si elige un rango de cuantiles, los valores Mín y Máx deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir.

Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección de Recetas de modelo, las filas vuelven a su conjunto de datos.

Eliminar filas por valores personalizados

Puede eliminar las filas con valores que cumplan condiciones personalizadas. Por ejemplo, es posible que desee excluir todas las filas con un valor de precio superior a 100 al crear el modelo. Con esta transformación, puede crear una regla que elimine todas las filas que superen el umbral que haya establecido.

Para usar la transformación de eliminación personalizada, haga lo siguiente.

Para la Operación, puede elegir una de las siguientes opciones: Tenga en cuenta que las operaciones disponibles dependen del tipo de datos de la columna que elija. Por ejemplo, no puede crear una operación is greater than para una columna que contenga valores de texto.

Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección de Recetas de modelo, las filas vuelven a su conjunto de datos.

Cambio del nombre de las columnas

Con la transformación de cambio del nombre de las columnas, puede cambiar el nombre de las columnas de sus datos. Al cambiar el nombre de una columna, SageMaker Canvas cambia el nombre de la columna en la entrada del modelo.

Puede cambiar el nombre de una columna de su conjunto de datos haciendo doble clic en el nombre de la columna en la pestaña Crear de la aplicación SageMaker Canvas e introduciendo un nombre nuevo. Al pulsar la tecla Intro, se envía el cambio y, al hacer clic en cualquier lugar fuera de la entrada, se cancela el cambio. También puede cambiar el nombre de una columna haciendo clic en el icono Más opciones ( ), situado al final de la fila en la vista de lista o al final de la celda del encabezado en la vista de cuadrícula, y seleccionando Cambiar nombre.

El nombre de la columna no puede tener más de 32 caracteres ni caracteres de guion bajo dobles (__), y no se puede cambiar el nombre de una columna por el mismo nombre que otra columna. Tampoco se puede cambiar el nombre de una columna eliminada.

La siguiente captura de pantalla muestra cómo cambiar el nombre de una columna haciendo doble clic en el nombre de la columna.

Al cambiar el nombre de una columna, SageMaker Canvas añade la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección Recetas de modelo, la columna vuelve a su nombre original.

Administrar columnas

Con las siguientes transformaciones, puede cambiar el tipo de datos de las columnas y reemplazar los valores faltantes o los valores atípicos de columnas específicas. SageMaker Canvas utiliza los tipos de datos o valores actualizados al crear el modelo, pero no cambia el conjunto de datos original. Tenga en cuenta que si ha eliminado una columna de su conjunto de datos mediante la transformación Exclusión de columnas, no podrá reemplazar los valores de esa columna.

Reemplazar valores faltantes

Los valores faltantes son frecuentes en los conjuntos de datos de machine learning y pueden afectar a la precisión del modelo. Puede optar por eliminar las filas que tengan valores faltantes, pero su modelo será más preciso si opta por reemplazar los valores faltantes. Con esta transformación, puede reemplazar los valores que falten en las columnas numéricas por la media o mediana de los datos de una columna, o también puede especificar un valor personalizado con el que reemplazar los valores faltantes. En el caso de las columnas no numéricas, puede reemplazar los valores faltantes por el modo (el valor más común) de la columna o por un valor personalizado.

Utilice esta transformación si desea reemplazar los valores nulos o vacíos en determinadas columnas. Para reemplazar valores faltantes en una columna específica, haga lo siguiente.

Después de reemplazar los valores faltantes en el conjunto de datos, SageMaker Canvas agrega la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección Recetas de modelo, las filas vuelven al conjunto de datos.

Reemplazar valores atípicos

Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y provocar tiempos de creación más prolongados. SageMaker Canvas le permite detectar valores atípicos en columnas numéricas y reemplazarlos por valores que se encuentren dentro de un rango aceptado en sus datos. Puede elegir definir los valores atípicos con desviaciones estándares o con un rango personalizado, y puede reemplazar los valores atípicos por los valores mínimo y máximo del rango aceptado.

Para eliminar los valores atípicos de los datos, haga lo siguiente.

La opción Desviación estándar detecta los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para las desviaciones estándar, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico. SageMaker Canvas reemplaza los valores atípicos por el valor mínimo o máximo del rango aceptado. Por ejemplo, si configura las desviaciones estándar para que solo incluyan valores de 200 a 300, SageMaker Canvas cambiará un valor de 198 a 200 (el mínimo).

Las opciones Rango numérico personalizado y Rango de cuantiles personalizado detectan los valores atípicos en las columnas numéricas utilizando valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Si elige un rango numérico, los valores mínimo y máximo deben ser los valores numéricos mínimos y máximos que desee permitir. SageMaker Canvas reemplaza cualquier valor que quede fuera del mínimo y el máximo por los valores mínimo y máximo. Por ejemplo, si su rango solo permite valores del 1 al 100, SageMaker Canvas cambia el valor de 102 a 100 (el máximo). Si elige un rango de cuantiles, los valores Mín y Máx deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir.

Después de reemplazar los valores en el conjunto de datos, SageMaker Canvas agrega la transformación en la sección de recetas del modelo. Si elimina la transformación de la sección Recetas de modelo, los valores originales vuelven al conjunto de datos.

Cambiar el tipo de datos

SageMaker Canvas le permite cambiar el tipo de datos de sus columnas entre numérico, texto y fecha y hora, además de mostrar el tipo de función asociado a ese tipo de datos. Un tipo de datos hace referencia al formato de los datos y a la forma en que se almacenan, mientras que el tipo de característica se refiere a la característica de los datos que se utilizan en los algoritmos de machine learning, como los binarios o los categóricos. Esto le da la flexibilidad de cambiar manualmente el tipo de datos de las columnas en función de las características. La posibilidad de elegir el tipo de datos correcto garantiza la integridad y precisión de los datos antes de crear modelos. Estos tipos de datos se utilizan al crear modelos.

En la siguiente tabla, se enumeran todos los tipos de datos en Canvas.

En la siguiente tabla, se enumeran todos los tipos de característica admitidos en Canvas.

Para modificar el tipo de datos de una columna de un conjunto de datos, haga lo siguiente.

Ahora debería actualizarse el tipo de datos de la columna.

Preparación de datos de series temporales

Utilice las siguientes funcionalidades para preparar los datos de series temporales para crear modelos de previsión de series temporales.

Remuestreo de datos de series temporales

Al volver a muestrear los datos de series temporales, puede establecer intervalos regulares para las observaciones de su conjunto de datos de series temporales. Esto resulta particularmente útil cuando se trabaja con datos de series temporales que contengan observaciones espaciadas de forma irregular. Por ejemplo, puede utilizar el remuestreo para transformar un conjunto de datos con observaciones registradas cada intervalo de una, dos y tres horas en un intervalo regular de una hora entre observaciones. Los algoritmos de previsión requieren que las observaciones se realicen a intervalos regulares.

Para remuestrear los datos de series temporales, haga lo siguiente.

La siguiente tabla muestra todos los tipos de Frecuencia que puede seleccionar al remuestrear datos de series temporales.

Al aplicar la transformación de remuestreo, puede usar la opción Avanzada para especificar cómo se modifican los valores resultantes del resto de las columnas (distintas de la columna de fecha y hora) del conjunto de datos. Esto se puede lograr especificando la metodología de remuestreo, que puede ser reducir o aumentar el muestreo tanto para las columnas numéricas como para las no numéricas.

La reducción del muestreo aumenta el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si reduce el muestreo de las observaciones que se realizan cada hora o cada dos horas, cada observación del conjunto de datos se realiza cada dos horas. Los valores de las demás columnas de las observaciones horarias se agregan en un único valor mediante un método de combinación. En las siguientes tablas se muestra un ejemplo de reducción del muestreo de datos de series temporales utilizando la media como método de combinación. Los datos del muestreo se reducen de cada dos horas a cada hora.

La siguiente tabla muestra las lecturas de temperatura por hora durante un día antes de la reducción de la muestra.

La siguiente tabla muestra las lecturas de temperatura después de reducir el muestreo a cada dos horas.

Para reducir el muestreo de datos de series temporales, haga lo siguiente:

Si no especifica los métodos de combinación, los valores predeterminados son Most Common para la Combinación no numérica y Mean para la Combinación numérica. En la siguiente tabla se enumeran los métodos de combinación numérica y no numérica.

El aumento del muestreo reduce el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si aumenta el muestreo de las observaciones que se toman cada dos horas para convertirlas en observaciones por hora, los valores de las demás columnas de las observaciones por hora se interpolan a partir de las que se han tomado cada dos horas.

Para aumentar el muestreo los datos de series temporales, haga lo siguiente.

Si no especifica los métodos de estimación, los valores predeterminados son Forward Fill para la Estimación no numérica y Linear para la Estimación numérica. En la siguiente tabla se muestran los métodos de estimación.

La siguiente captura de pantalla muestra la configuración Avanzada con los campos de aumento y reducción de muestreo rellenados.

Uso de la extracción de fecha y hora

Con la transformación de extracción de fecha y hora, puede extraer valores de una columna de fecha y hora en una columna independiente. Por ejemplo, si tiene una columna que contiene las fechas de compra, puede extraer el valor del mes en una columna independiente y utilizar la nueva columna al crear el modelo. También puede extraer varios valores para separar columnas con una sola transformación.

La columna de fecha y hora debe usar un formato de marca de tiempo compatible. Para obtener una lista de los formatos compatibles con SageMaker Canvas, consulte. Pronósticos de series temporales en Amazon SageMaker Canvas Si su conjunto de datos no utiliza uno de los formatos compatibles, actualícelo para que utilice un formato de marca de tiempo compatible y vuelva a importarlo a Amazon SageMaker Canvas antes de crear el modelo.

Para realizar una extracción de fecha y hora, haga lo siguiente.

SageMaker Canvas crea una nueva columna en el conjunto de datos para cada uno de los valores que extraiga. A excepción de los valores de año, SageMaker Canvas utiliza una codificación basada en 0 para los valores extraídos. Por ejemplo, si extrae el valor del Mes, enero se extrae como 0 y febrero como 1.

Puede ver la transformación en la sección Recetas de modelo. Si elimina la transformación de la sección Recetas de modelo, las nuevas columnas se eliminan del conjunto de datos.