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 richieste e risposte k-NN

Tutti gli algoritmi integrati di Amazon SageMaker AI aderiscono al formato di inferenza di input comune descritto in Common Data Formats - Inference. Questo argomento contiene un elenco dei formati di output disponibili per l'algoritmo AI. SageMaker k-nearest-neighbor

INPUT: Formato della CSV richiesta

content-type: text/csv

1.2,1.3,9.6,20.3

Accetta label_size o un parametro di codifica. Presuppone che label_size sia 0 e la codifica UTF-8.

INPUT: Formato della JSON richiesta

content-type: application/json

{
  "instances": [
    {"data": {"features": {"values": [-3, -1, -4, 2]}}},
    {"features": [3.0, 0.1, 0.04, 0.002]}]
}

INPUT: Formato della JSONLINES richiesta

content-type: application/jsonlines

{"features": [1.5, 16.0, 14.0, 23.0]}
{"data": {"features": {"values": [1.5, 16.0, 14.0, 23.0]}}

INPUT: Formato della RECORDIO richiesta

tipo di contenuto: applicazione/ x-recordio-protobuf

[
    Record = {
        features = {
            'values': {
                values: [-3, -1, -4, 2]  # float32
            }
        },
        label = {}
    },
    Record = {
        features = {
            'values': {
                values: [3.0, 0.1, 0.04, 0.002]  # float32
            }
        },
        label = {}
    },
] 

OUTPUTJSON: Formato di risposta

accept: application/json

{
  "predictions": [
    {"predicted_label": 0.0},
    {"predicted_label": 2.0}
  ]
}

OUTPUT: Formato JSONLINES di risposta

accept: application/jsonlines

{"predicted_label": 0.0}
{"predicted_label": 2.0}

OUTPUT: Formato VERBOSE JSON di risposta

In modalità dettagliata, API fornisce ai risultati della ricerca il vettore delle distanze ordinato dal più piccolo al più grande, con gli elementi corrispondenti nel vettore delle etichette. In questo esempio, k è impostato su 3.

accept: application/json; verbose=true

{
  "predictions": [
    {
        "predicted_label": 0.0,
        "distances": [3.11792408, 3.89746071, 6.32548437],
        "labels": [0.0, 1.0, 0.0]
    },
    {
        "predicted_label": 2.0,
        "distances": [1.08470316, 3.04917915, 5.25393973],
        "labels": [2.0, 2.0, 0.0]
    }
  ]
}

OUTPUT: - Formato di risposta RECORDIO PROTOBUF

tipo di contenuto: applicazione/ x-recordio-protobuf

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [2.0]  # float32
            }
        }
    }
]

OUTPUT: - Formato di risposta VERBOSE RECORDIO PROTOBUF

In modalità dettagliata, API fornisce ai risultati della ricerca il vettore delle distanze ordinato dal più piccolo al più grande, con gli elementi corrispondenti nel vettore delle etichette. In questo esempio, k è impostato su 3.

accetta: applicazione/; verbose=true x-recordio-protobuf

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [3.11792408, 3.89746071, 6.32548437]  # float32
            },
            'labels': {
                values: [0.0, 1.0, 0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [1.08470316, 3.04917915, 5.25393973]  # float32
            },
            'labels': {
                values: [2.0, 2.0, 0.0]  # float32
            }
        }
    }
]

SAMPLEOUTPUTper l'algoritmo k-NN

Per attività di regressione:

[06/08/2018 20:15:33 INFO 140026520049408] #test_score (algo-1) : ('mse', 0.013333333333333334)

Per attività di classificazione:

[06/08/2018 20:15:46 INFO 140285487171328] #test_score (algo-1) : ('accuracy', 0.98666666666666669)