Formati di risposta di Linear Learner

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Formati di risposta JSON

Tutti gli algoritmi integrati di Amazon SageMaker AI aderiscono al formato di inferenza di input comune descritto in Common Data Formats - Inference. Di seguito sono riportati i formati di output disponibili per l'algoritmo SageMaker AI linear learner.

Classificazione binaria

let response =   {
    "predictions":    [
        {
            "score": 0.4,
            "predicted_label": 0
        } 
    ]
}

Classificazione multiclasse

let response =   {
    "predictions":    [
        {
            "score": [0.1, 0.2, 0.4, 0.3],
            "predicted_label": 2
        } 
    ]
}

Regressione

let response =   {
    "predictions":    [
        {
            "score": 0.4
        } 
    ]
}

Formati di risposta JSONLINES

Classificazione binaria

{"score": 0.4, "predicted_label": 0}

Classificazione multiclasse

{"score": [0.1, 0.2, 0.4, 0.3], "predicted_label": 2}

Regressione

{"score": 0.4}

Formati di risposta RECORDIO

Classificazione binaria

[
    Record = {
        features = {},
        label = {
            'score': {
                keys: [],
                values: [0.4]  # float32
            },
            'predicted_label': {
                keys: [],
                values: [0.0]  # float32
            }
        }
    }
]

Classificazione multiclasse

[
    Record = {
    "features": [],
    "label":    {
            "score":  {
                    "values":   [0.1, 0.2, 0.3, 0.4]   
            },
            "predicted_label":  {
                    "values":   [3]
            }
       },
    "uid":  "abc123",
    "metadata": "{created_at: '2017-06-03'}"
   }
]

Regressione

[
    Record = {
        features = {},
        label = {
            'score': {
                keys: [],
                values: [0.4]  # float32
            }   
        }
    }
]