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。
步驟 3:下載、探索和轉換資料集
在此步驟中,您可以使用 SHAP (新SHapley增exPlanations) 程式庫將成人人口普查資料集
若要執行下列範例,請將範例程式碼貼到筆記本執行個體的儲存格中。
載入成人人口普查資料集 SHAP
使用圖SHAP書館匯入成人人口普查資料集,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
如果目前的 Jupyter 核心沒有程式SHAP庫,請執行下列conda
命令進行安裝:
%conda install -c conda-forge shap
如果您正在使用 JupyterLab,則必須在安裝和更新完成後手動重新整理核心。執行下列IPython指令碼以關閉核心 (核心會自動重新啟動):
import IPython IPython.Application.instance().kernel.do_shutdown(True)
feature_names
列出物件應傳回以下功能清單:
['Age', 'Workclass', 'Education-Num', 'Marital Status', 'Occupation', 'Relationship', 'Race', 'Sex', 'Capital Gain', 'Capital Loss', 'Hours per week', 'Country']
提示
如果您從未標記的資料開始,可以使用 Amazon SageMaker Ground Truth 在幾分鐘內建立資料標籤工作流程。要瞭解更多資料,請參閱標籤資料。
資料集概觀
執行下列指令碼,以顯示數值圖徵之資料集和長條圖的統計概觀。
display(X.describe()) hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
![成人人口普查資料集概述。](images/get-started-ni/gs-ni-prepare-data-1.png)
提示
如果您想要使用需要清理和轉換的資料集,可以使用 Amazon SageMaker Data Wraangler 簡化和簡化資料預處理和功能工程。若要進一步了解,請參閱使用 Amazon 資料牧馬人準備機器學習 SageMaker 資料。
將資料分割為訓練、測試和驗證資料集。
使用 Sklearn 將資料集拆分為訓練集和測試集。訓練集用於訓練模型,而測試集則用於評估最終訓練模型的效能。資料集會以固定隨機種子隨機排序:訓練集的 80% 資料集,而測試集則為 20%。
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]
拆分訓練集以分離出驗證集。驗證集用於評估訓練模型的效能,同時調整模型的超參數。75% 的訓練集成為最後的訓練集,其餘的則是驗證集。
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 套件,透過將數字特徵與真實標籤串連,明確對齊每個資料集。
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)
檢查資料集是否按預期拆分和結構:
train
![範例訓練資料集。](images/get-started-ni/gs-ni-prepare-data-2-train.png)
validation
![範例驗證資料集。](images/get-started-ni/gs-ni-prepare-data-2-validation.png)
test
![範例測試資料集。](images/get-started-ni/gs-ni-prepare-data-2-test.png)
將訓練和驗證資料集轉換為CSV檔案
將train
和資validation
料框物件轉換為檔CSV案,以符合演算法的輸入檔案格式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)
將資料集上傳到 Amazon S3
使用 SageMaker 和 Boto3,將訓練和驗證資料集上傳到預設的 Amazon S3 儲存貯體。Amazon EC2 上運算優化的執行個體將使用 S3 儲存貯 SageMaker體中的資料集進行訓練。
下列程式碼會URI為您目前的 SageMaker 工作階段設定預設 S3 儲存貯體、建立新資料demo-sagemaker-xgboost-adult-income-prediction
夾,並將訓練和驗證資料集上傳至data
子資料夾。
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')
執行下列指令 AWS CLI 以檢查CSV檔案是否已成功上傳至 S3 儲存貯體。
! aws s3 ls {bucket}/{prefix}/data --recursive
輸出應該會傳回以下內容:
![用於檢查 S3 儲存貯體中資料集的CLI命令輸出。](images/get-started-ni/gs-ni-prepare-data-3.png)