As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Modelos personalizados
No Amazon SageMaker Canvas, você pode treinar modelos personalizados de aprendizado de máquina adaptados aos seus dados e casos de uso específicos. Ao treinar um modelo personalizado em seus dados, você pode capturar características e tendências específicas e mais representativas de seus dados. Por exemplo, talvez você queira criar um modelo personalizado de previsão de séries temporais que você treine com base nos dados de inventário do seu armazém e que permita gerenciar suas operações logísticas.
O Canvas é compatível com o treinamento de vários tipos de modelos. Depois de treinar um modelo personalizado, é possível avaliar o desempenho e a precisão do modelo. Quando estiver satisfeito com um modelo, você pode fazer previsões sobre novos dados e também tem a opção de compartilhar o modelo personalizado com cientistas de dados para análise posterior ou implantá-lo em um endpoint hospedado por SageMaker IA para inferência em tempo real, tudo de dentro do aplicativo Canvas.
Você pode treinar um modelo personalizado do Canvas nos seguintes tipos de conjuntos de dados:
-
Tabulares (incluindo dados Numéricos, Categóricos, de Séries temporais e de Texto)
-
Imagem
A tabela a seguir mostra os tipos de modelos personalizados que você pode criar no Canvas, juntamente com os tipos de dados e fontes de dados compatíveis.
| Tipo do modelo | Exemplo de caso de uso | Tipos de dados compatíveis | Fontes de dados compatíveis |
|---|---|---|---|
Previsão numérica |
Previsão de preços de casas com base em atributos como metragem quadrada |
Numérico |
Upload local, Amazon S3, conectores SaaS |
Previsão de 2 categorias |
Prever se é provável que um cliente se afaste ou não |
Binário ou Categórico |
Upload local, Amazon S3, conectores SaaS |
Previsão de 3 categorias |
Prever os resultados do paciente após a alta hospitalar |
Categóricos |
Upload local, Amazon S3, conectores SaaS |
Previsão de séries temporais |
Prever seu inventário para o próximo trimestre |
Séries temporais |
Upload local, Amazon S3, conectores SaaS |
Predição de imagem de rótulo único |
Prever tipos de defeitos de fabricação em imagens |
Imagem (JPG, PNG) |
Upload local, Amazon S3 |
Previsão de texto de várias categorias |
Prever categorias de produtos, como roupas, eletrônicos ou utensílios domésticos, com base nas descrições dos produtos |
Coluna de origem: Texto Coluna de destino: Binária ou Categórica |
Upload local, Amazon S3 |
Conceitos básicos
Para começar a criar e gerar predições a partir de um modelo personalizado, faça o seguinte:
-
Determine seu caso de uso e o tipo de modelo que você deseja criar. Para obter mais informações sobre os tipos de modelo personalizado, consulte Como os modelos personalizados funcionam. Para obter mais informações sobre tipos de dados e fontes compatíveis, consulte a seção importar dados.
-
Importar seus dados para o Canvas. Você pode criar um modelo personalizado com qualquer conjunto de dados tabular ou de imagem que atenda aos requisitos de entrada. Para obter mais informações sobre os requisitos de entrada, consulte Criar um conjunto de dados.
Para saber mais sobre conjuntos de dados de amostra fornecidos pela SageMaker IA com os quais você pode experimentar, consulteConjunto de dados de amostra no Canvas.
-
Criar seu modelo personalizado. Você pode fazer uma Criação rápida para obter seu modelo e começar a fazer predições mais rapidamente, ou pode fazer uma Criação padrão para obter maior precisão.
Para tipos de modelos de previsão numéricos, categóricos e de séries temporais, você pode limpar e preparar seus dados como atributo Data Wrangler. No Data Wrangler, você pode criar um fluxo de dados e usar várias técnicas de preparação de dados, como aplicar transformações avançadas ou unir conjuntos de dados. Para modelos de predição de imagens, você pode Editar um conjunto de dados de imagem atualizar seus rótulos ou adicionar e excluir imagens. Observe que você não pode usar esses atributos para modelos de predição de texto de várias categorias.
-
Avalie o desempenho do seu modelo e determine o desempenho dele em dados do mundo real.
-
Fazer predições únicas ou em lote com seu modelo.
