TabTransformer 演算法的輸入和輸出界面

TabTransformer 在表格資料上操作，其中資料列代表觀察，一欄代表目標變數或標籤，其餘資料欄則代表特徵。

訓練和推論 TabTransformer CSV支援的 SageMaker 實作：

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 TabTransformer 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 路徑可以是指向一或多個CSV檔案的 S3 字首，也可以是指向一個特定CSV檔案的完整 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。如果為 training或 validation通道提供多個CSV檔案， TabTransformer 則演算法會串連檔案。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categorical_index.json名為 JSON 的檔案，其位置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，該子目錄包含一或多個CSV檔案。您可以選擇在名為 的相同位置包含另一個子目錄validation/，該位置也具有一或多個CSV檔案。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。