本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
表格 AutoGluon式演算法的輸入和輸出介面
梯度提升在表格式資料中操作，含有代表觀察的行、還有一個代表目標變數或標籤的欄，而剩下的欄則代表功能。
訓練和推論CSV的 AutoGluon-Tabular 支援 SageMaker 實作：
-
對於訓練 ContentType，有效的輸入必須是文字/csv。
-
對於推論 ContentType，有效的輸入必須是文字/csv。
注意
針對CSV訓練，演算法會假設目標變數位於第一欄，且 CSV沒有標頭記錄。
針對CSV推論，演算法會假設CSV輸入沒有標籤欄。
訓練資料、驗證資料和分類功能的輸入格式
請注意如何格式化訓練資料，以輸入 AutoGluon-Tabular 模型。您必須提供包含訓練和驗證資料之 Amazon S3 儲存貯體的路徑。您也可以內涵分類功能清單。同時使用training和validation通道來提供您的輸入資料。或者，您可以只使用training頻道。
同時使用training和validation通道
您可以透過兩個 S3 路徑提供輸入資料，一個用於training通道，另一個用於validation通道。每個 S3 路徑可以是指向一個特定CSV檔案的 S3 字首或完整的 S3 路徑。目標變數應位於CSV檔案的第一欄。預測變量 (功能) 應該位於其餘列中。驗證資料用於計算每次增加迭代結束時的驗證分數。當驗證分數停止改善時，會套用提前停止。
如果您的預測器包含類別功能，您可以提供名為 JSON 的檔案，其位置categorical_index.json與訓練資料檔案相同。如果您為類別功能提供JSON檔案，您的training頻道必須指向 S3 字首，而不是特定CSV檔案。這個文件應該包含一個 Python 字典，其中索引鍵是字串 "cat_index_list"，該值是唯一整數的清單。值清單中的每個整數應指出訓練資料CSV檔案中對應類別特徵的資料欄索引。每個值都應該是一個正整數 (大於零，因為零表示目標值)、小於 Int32.MaxValue (2147483647)，且小於資料欄的總數。應該只有一個類別索引JSON檔案。
僅使用training通道：
或者，您也可以透過training通道的單一 S3 路徑提供輸入資料。此 S3 路徑應指向具有名為 的子目錄training/的目錄，該子目錄包含 CSV 檔案。您可以選擇在名為 validation/ 且具有 CSV 檔案的相同位置包含另一個子目錄。如果未提供驗證資料，則會隨機抽樣 20% 的訓練資料，做為驗證資料。如果您的預測器包含類別功能，您可以提供名為 JSON的檔案，其位置categorical_index.json與資料子目錄相同。
注意
對於CSV訓練輸入模式，演算法可用的總記憶體 （執行個體計數乘以 中可用的記憶體InstanceType） 必須能夠保留訓練資料集。
SageMaker AutoGluon-Tabular 使用autogluon.tabular.TabularPredictor模組序列化或還原序列化模型，可用於儲存或載入模型。
使用使用 SageMaker AutoGluon-Tabular 訓練的 AutoGluon模型搭配 架構
-
使用以下 Python 程式碼：
import tarfile from autogluon.tabular import TabularPredictor t = tarfile.open('model.tar.gz', 'r:gz') t.extractall() model = TabularPredictor.load(model_file_path) # prediction with test data # dtest should be a pandas DataFrame with column names feature_0, feature_1, ..., feature_d pred = model.predict(dtest)
