Etapa 3: Fazer download, explorar e transformar um conjunto de dados

Nesta etapa, você carrega o conjunto de dados do Adult Census em sua instância de notebook usando a biblioteca SHAP (SHapleyaditivaexPlanations), analisa o conjunto de dados, o transforma e o carrega no Amazon S3. SHAPé uma abordagem teórica dos jogos para explicar o resultado de qualquer modelo de aprendizado de máquina. Para obter mais informações sobreSHAP, consulte Bem-vindo à SHAP documentação.

Para executar o exemplo a seguir, cole o código de amostra em uma célula na sua instância de caderno.

Carregar conjunto de dados do censo de adultos usando SHAP

Usando a SHAP biblioteca, importe o conjunto de dados do Censo de Adultos conforme mostrado a seguir:

import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names

%conda install -c conda-forge shap

import IPython
IPython.Application.instance().kernel.do_shutdown(True)

O objeto de lista feature_names deve retornar a seguinte lista de recursos:

['Age',
 'Workclass',
 'Education-Num',
 'Marital Status',
 'Occupation',
 'Relationship',
 'Race',
 'Sex',
 'Capital Gain',
 'Capital Loss',
 'Hours per week',
 'Country']

Visão geral do conjunto de dados

Execute o script a seguir para exibir a visão geral estatística do conjunto de dados e os histogramas dos recursos numéricos.

display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))

Divida o conjunto de dados em treinamento, validação e teste

Usando o Sklearn, divida o conjunto de dados em um conjunto de treinamento e um conjunto de testes. O conjunto de treinamento é usado para treinar o modelo, enquanto o conjunto de teste é usado para avaliar a performance do modelo final treinado. O conjunto de dados é classificado aleatoriamente com a semente aleatória fixa: 80% do conjunto de dados para o conjunto de treinamento e 20% para um conjunto de teste.

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]

Divida o conjunto de treinamento para separar um conjunto de validação. O conjunto de validação é usado para avaliar o desempenho do modelo treinado enquanto ajusta os hiperparâmetros do modelo. 75% do conjunto de treinamento se torna o conjunto de treinamento final e o restante é o conjunto de validação.

X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]

Usando o pacote pandas, alinhe explicitamente cada conjunto de dados concatenando os recursos numéricos com os rótulos verdadeiros.

import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
                             name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
                            name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
                            name='Income>50K', dtype=int), X_test], axis=1)

Verifique se o conjunto de dados está dividido e estruturado conforme o esperado:

train

validation

test

Converter os conjuntos de dados de treinamento e validação em CSV arquivos

Converta os objetos train e o validation dataframe em CSV arquivos para corresponder ao formato do arquivo de entrada do XGBoost algoritmo.

# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)

Carregar os conjuntos de dados no Amazon S3

Usando o SageMaker e o Boto3, faça o upload dos conjuntos de dados de treinamento e validação para o bucket padrão do Amazon S3. Os conjuntos de dados no bucket do S3 serão usados por uma instância otimizada para computação SageMaker na Amazon para treinamento. EC2

O código a seguir configura o bucket padrão do S3 URI para sua SageMaker sessão atual, cria uma nova demo-sagemaker-xgboost-adult-income-prediction pasta e carrega os conjuntos de dados de treinamento e validação na subpasta. data

import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"

boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')

Execute o seguinte AWS CLI para verificar se os CSV arquivos foram carregados com sucesso no bucket do S3.

! aws s3 ls {bucket}/{prefix}/data --recursive

Essa saída deve retornar o seguinte resultado: