准备数据集 - Amazon SageMaker

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

准备数据集

在此步骤中,您将使用SHAP(SHapley加法exPlanations)库将成人人口普查数据集加载到您的笔记本实例,查看数据集,对其进行转换,然后将其上传到 Amazon S3。SHAP是一种解释任何机器学习模型输出的博弈论方法。有关的更多信息SHAP,请参阅欢迎阅读SHAP文档

要运行以下示例,请将示例代码粘贴到笔记本实例的单元格中。

使用加载成人人口普查数据集 SHAP

使用SHAP库导入成人人口普查数据集,如下所示:

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

如果当前的 Jupyter 内核没有该SHAP库,请运行以下conda命令进行安装:

%conda install -c conda-forge shap

如果您正在使用 JupyterLab,则必须在安装和更新完成后手动刷新内核。运行以下IPython脚本关闭内核(内核将自动重启):

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

feature_names list 对象应返回以下功能列表:

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

如果您从未标记的数据开始,则可以使用 Amazon Ground T SageMaker ruth 在几分钟内创建数据标签工作流程。要了解更多信息,请参阅标注数据

数据集概览

运行以下脚本,显示数据集的统计概览和数字特征的直方图。

display(X.describe()) hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
Adult Census 数据集概览。
提示

如果您想使用需要清理和转换的数据集,则可以使用 Amazon Data Wrangler 简化和简化 SageMaker 数据预处理和功能工程。要了解更多信息,请参阅使用 Amazon Data Wrangler 准备机器学习 SageMaker 数据

将数据集拆分为训练、验证和测试数据集

使用 Sklearn,将数据集拆分为训练集和测试集。训练集用于训练模型,而测试集用于评估最终训练模型的性能。使用固定的随机种子对数据集进行随机排序:80% 的数据集用于训练集,20% 的数据集用于测试集。

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]

拆分训练集以分离出验证集。验证集用于评估训练模型的性能,同时调整模型的超参数。75% 的训练集成为最终的训练集,其余的则成为验证集。

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]

使用 pandas 软件包,通过将数字特征与真实标签连接起来,显式地对齐每个数据集。

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)

检查数据集是否按预期进行拆分和结构化:

train
示例训练数据集。
validation
示例验证数据集。
test
示例测试数据集。

将训练和验证数据集转换为CSV文件

trainvalidation dataFrame 对象转换为CSV文件,以匹配算法的输入文件格式。XGBoost

# 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)

将数据集上传到 Amazon S3

使用 SageMaker 和 Boto3,将训练和验证数据集上传到默认 Amazon S3 存储桶。Amazon 上的计算优化 SageMaker实例将使用 S3 存储桶中的数据集EC2进行训练。

以下代码URI为您的当前 SageMaker 会话设置默认 S3 存储桶,创建新demo-sagemaker-xgboost-adult-income-prediction文件夹,并将训练和验证数据集上传到该data子文件夹。

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')

运行以下命令 AWS CLI 以检查CSV文件是否已成功上传到 S3 存储桶。

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

这应该返回以下输出内容:

检查 S3 存储桶中数据集的CLI命令的输出。