Non aggiorniamo più il servizio Amazon Machine Learning né accettiamo nuovi utenti. Questa documentazione è disponibile per gli utenti esistenti, ma non la aggiorniamo più. Per ulteriori informazioni, consulta [Cos'è Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Riferimenti relativi al formato delle composizioni
Le ricette di Amazon ML contengono istruzioni per trasformare i dati come parte del processo di apprendimento automatico. Le composizioni vengono definite utilizzando una sintassi simile a JSON, ma hanno restrizioni aggiuntive rispetto a quelle normalmente presenti in JSON. Le composizioni hanno le seguenti sezioni, che devono essere visualizzate nell'ordine mostrato qui:
+ **Groups (Gruppi)** abilita il raggruppamento di più variabili, per facilitare l'applicazione di trasformazioni. Ad esempio, è possibile creare un gruppo di tutte le variabili che hanno a che fare con le parti di testo libero di una pagina Web (titolo, corpo) e quindi eseguire una trasformazione su tutte le parti contemporaneamente.
+ **Assignments (Assegnazioni)** abilita la creazione di variabili intermedie denominate che possono essere riutilizzate in fase di elaborazione.
+ **Outputs (Risultati)** definisce quali variabili saranno utilizzate nel processo di apprendimento e quali trasformazioni (se presenti) si applicano a tali variabili.
## Gruppi
È possibile definire gruppi di variabili per trasformare collettivamente tutte le variabili all'interno dei gruppi o utilizzare queste variabili per il machine learning senza trasformarle. Per impostazione predefinita, Amazon ML crea per te i seguenti gruppi:
**ALL\$1TEXT, ALL\$1NUMERIC, ALL\$1CATEGORICAL, ALL\$1BINARY:** gruppi specifici per tipo, basati su variabili definite nello schema dell'origine dati.
**Nota**
Non è possibile creare un gruppo con `ALL_INPUTS`.
Queste variabili possono essere utilizzate nella sezione degli output della composizione senza essere definite. È inoltre possibile creare gruppi personalizzati aggiungendo o togliendo variabili da gruppi esistenti, oppure direttamente da una raccolta di variabili. In questo esempio dimostriamo tutti e tre gli approcci e la sintassi per l'assegnazione dei gruppi:
```
"groups": {
"Custom_Group": "group(var1, var2)",
"All_Categorical_plus_one_other": "group(ALL_CATEGORICAL, var2)"
}
```
I nomi dei gruppi devono iniziare con un carattere alfabetico e possono essere costituiti da 1 a 64 caratteri. Se il nome del gruppo non inizia con un carattere alfabetico o se contiene caratteri speciali (, ' "\$1t\$1r\$1n ( ) \$1), il nome deve essere racchiuso tra virgolette per essere incluso nella composizione.
## Assegnazioni
È possibile assegnare una o più trasformazioni a una variabile intermedia, per comodità e leggibilità. Ad esempio, se si dispone di una variabile di testo denominata email\$1subject e si applica la trasformazione minuscola, è possibile denominare la variabile risultante email\$1subject\$1lowercase, consentendo di tenerne traccia facilmente altrove nella composizione. Le assegnazioni possono anche essere concatenate, per consentire di applicare più trasformazioni in un ordine specificato. L'esempio seguente mostra assegnazioni singole e concatenate nella sintassi della composizione:
```
"assignments": {
"email_subject_lowercase": "lowercase(email_subject)",
"email_subject_lowercase_ngram":"ngram(lowercase(email_subject), 2)"
}
```
I nomi delle variabili intermedie devono iniziare con un carattere alfabetico e possono essere costituiti da 1 a 64 caratteri. Se il nome non inizia con un carattere alfabetico o se contiene caratteri speciali (, ' "\$1t\$1r\$1n ( ) \$1), il nome deve essere racchiuso tra virgolette per essere incluso nella composizione.
## Output
La sezione risultati (output) controlla quali variabili di input saranno usate per il processo di apprendimento, e quali trasformazioni sono applicate. Una sezione di output vuota o inesistente è un errore, perché significa che nessuno dato sarà passato al processo di apprendimento.
La sezione di output più semplice include solo il gruppo predefinito **ALL\$1INPUTS**, indicando ad Amazon ML di utilizzare tutte le variabili definite nell'origine dati per l'apprendimento:
```
"outputs": [
"ALL_INPUTS"
]
```
La sezione di output può anche fare riferimento agli altri gruppi predefiniti, indicando ad Amazon ML di utilizzare tutte le variabili di questi gruppi:
```
"outputs": [
"ALL_NUMERIC",
"ALL_CATEGORICAL"
]
```
La sezione di output può anche fare riferimento a gruppi personalizzati. In questo esempio, solo uno dei gruppi personalizzati definiti nella sezione assegnazioni dei raggruppamenti nell'esempio precedente verrà utilizzato per il machine learning. Tutte le altre variabili saranno rimosse:
```
"outputs": [
"All_Categorical_plus_one_other"
]
```
La sezione output può anche fare riferimento ad assegnazioni di variabili definite nella sezione assegnazioni:
```
"outputs": [
"email_subject_lowercase"
]
```
Inoltre le variabili di input o le trasformazioni possono essere definite direttamente nella sezione di output:
```
"outputs": [
"var1",
"lowercase(var2)"
]
```
L'output deve specificare in modo esplicito tutte le variabili e le variabili trasformate che si prevede saranno disponibili per il processo di apprendimento. Supponiamo, ad esempio, di includere nell'output un prodotto cartesiano di var1 e var2. Se si desidera includere anche entrambe le variabili non elaborate var1 e var2, è necessario aggiungere le variabili non elaborate alla sezione di output:
```
"outputs": [
"cartesian(var1,var2)",
"var1",
"var2"
]
```
Gli output possono includere commenti per migliorare la leggibilità, con l'aggiunta del testo del commento insieme alla variabile:
```
"outputs": [
"quantile_bin(age, 10) //quantile bin age",
"age // explicitly include the original numeric variable along with the
binned version"
]
```
È possibile combinare tutti questi approcci all'interno della sezione di output.
**Nota**
I commenti non sono consentiti nella console Amazon ML quando si aggiunge una ricetta.
## Esempio completo di composizione
L'esempio seguente si riferisce a diversi processori di dati integrati che sono stati introdotti negli esempi precedenti:
```
{
"groups": {
"LONGTEXT": "group_remove(ALL_TEXT, title, subject)",
"SPECIALTEXT": "group(title, subject)",
"BINCAT": "group(ALL_CATEGORICAL, ALL_BINARY)"
},
"assignments": {
"binned_age" : "quantile_bin(age,30)",
"country_gender_interaction" : "cartesian(country, gender)"
},
"outputs": [
"lowercase(no_punct(LONGTEXT))",
"ngram(lowercase(no_punct(SPECIALTEXT)),3)",
"quantile_bin(hours-per-week, 10)",
"hours-per-week // explicitly include the original numeric variable
along with the binned version",
"cartesian(binned_age, quantile_bin(hours-per-week,10)) // this one is
critical",
"country_gender_interaction",
"BINCAT"
]
}
```