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.
# Creare processi di regressione o classificazione per dati tabulari utilizzando l’API AutoML
È possibile creare un processo di regressione o classificazione di Autopilot per dati tabulari a livello di programmazione chiamando l’azione dell’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html) in qualsiasi linguaggio supportato da Autopilot o dall’ AWS CLI. Di seguito è riportata una raccolta di parametri di richiesta di input obbligatori e facoltativi per l'azione API `CreateAutoMLJobV2`. È possibile trovare informazioni alternative per la versione precedente di questa azione, `CreateAutoMLJob`. Tuttavia, consigliamo di utilizzare `CreateAutoMLJobV2`.
Per informazioni su come questa azione API si traduce in una funzione nella lingua che preferisci, consulta [Vedi anche](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_SeeAlso) di `CreateAutoMLJobV2` e seleziona un SDK. Ad esempio, per gli utenti di Python, vedi la sintassi completa della richiesta di `[create\$1auto\$1ml\$1job\$1v2](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_auto_ml_job_v2)` in AWS SDK per Python (Boto3).
**Nota**
[CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html) e [DescribeAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html) sono nuove versioni di [CreateAutoMLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html)e offrono compatibilità con [DescribeAutoMLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJob.html)le versioni precedenti.
Si consiglia di utilizzare `CreateAutoMLJobV2`. `CreateAutoMLJobV2` è in grado di gestire tipi di problemi tabulari identici a quelli della versione precedente `CreateAutoMLJob`, nonché tipi di problemi non tabulari come la classificazione di immagini o testi o la previsione di serie temporali.
Come minimo, tutti gli esperimenti sui dati tabulari richiedono la specifica del nome dell’esperimento, l’indicazione delle posizioni per i dati di input e output e la definizione dei dati di destinazione da prevedere. Facoltativamente, è anche possibile specificare il tipo di problema da risolvere (regressione, classificazione, classificazione multiclasse), scegliere la strategia di modellazione (*ensemble impilati* oppure *ottimizzazione degli iperparametri*), selezionare l’elenco di algoritmi utilizzati dal processo Autopilot per addestrare i dati e altro ancora.
Dopo l’esecuzione dell’esperimento, è possibile confrontare le prove e approfondire i dettagli delle fasi di pre-elaborazione, degli algoritmi e degli intervalli di iperparametri di ciascun modello. È inoltre possibile scaricare i relativi report sulla [spiegabilità](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html) e sulle [prestazioni.](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html) Utilizza i [notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html ) forniti per visualizzare i risultati dell'esplorazione automatica dei dati o le definizioni dei modelli candidati.
Trova le linee guida su come migrare un `CreateAutoMLJob` a `CreateAutoMLJobV2` in[Esegui la migrazione da a V2 CreateAuto MLJob CreateAuto MLJob](#autopilot-create-experiment-api-migrate-v1-v2).
## Parametri obbligatori
------
#### [ CreateAutoMLJobV2 ]
Quando chiami `[CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)` per creare un esperimento Autopilot per dati tabulari, devi fornire i seguenti valori:
+ Un `[AutoMLJobName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_RequestSyntax)` per specificare il nome del processo.
+ Almeno un `[AutoMLJobChannel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html)` in `[AutoMLJobInputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobInputDataConfig)` per specificare l'origine dati.
+ Sia un parametro `[AutoMLJobObjective](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobObjective)` che il tipo di problema di apprendimento supervisionato prescelto (classificazione binaria, classificazione multiclasse, regressione) in `AutoMLProblemTypeConfig` o nessuno. Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`. Hai impostato il problema dell'apprendimento supervisionato nell'attributo `ProblemType` di `TabularJobConfig`.
+ Un `[OutputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLOutputDataConfig.html)` per specificare il percorso di output di Amazon S3 per archiviare gli artefatti del processo AutoML.
+ Un `[RoleArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-RoleArn)` per specificare l'ARN del ruolo utilizzato per accedere ai dati.
------
#### [ CreateAutoMLJob ]
Durante la chiamata `[CreateAutoMLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html)` per creare un esperimento AutoML, devi fornire i quattro valori seguenti:
+ Un `[AutoMLJobName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-AutoMLJobName)` per specificare il nome del processo.
+ Almeno un `[AutoMLChannel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLChannel.html)` in `[InputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-InputDataConfig)` per specificare l'origine dati.
+ Un `[OutputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLOutputDataConfig.html)` per specificare il percorso di output di Amazon S3 per archiviare gli artefatti del processo AutoML.
+ Un `[RoleArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-RoleArn)` per specificare l'ARN del ruolo utilizzato per accedere ai dati.
------
Tutti gli altri parametri sono facoltativi.
## Parametri facoltativi
Le sezioni seguenti forniscono dettagli su alcuni parametri opzionali che è possibile passare all'azione API `CreateAutoMLJobV2` quando si utilizzano dati tabulari. È possibile trovare informazioni alternative per la versione precedente di questa azione, `CreateAutoMLJob`. Tuttavia, consigliamo di utilizzare `CreateAutoMLJobV2`.
### Come impostare la modalità di addestramento di un processo AutoML
Per quanto riguarda i dati tabulari, l'insieme di algoritmi eseguiti sui dati per addestrare i candidati modello dipende dalla strategia di modellazione utilizzata (`ENSEMBLING` o `HYPERPARAMETER_TUNING`). Di seguito viene descritto in dettaglio come impostare questa modalità di addestramento.
Se lasci vuoto (o `null`), viene dedotto `Mode` in base alla dimensione del set di dati.
Per informazioni sui metodi di addestramento *raggruppati impilati* e *ottimizzazione degli iperparametri* di Autopilot, consulta [Modalità di addestramento e supporto degli algoritmi](autopilot-model-support-validation.md)
------
#### [ CreateAutoMLJobV2 ]
Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
È possibile impostare il [metodo di addestramento](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html) di un processo AutoML V2 con il parametro `[TabularJobConfig.Mode](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)`.
------
#### [ CreateAutoMLJob ]
È possibile impostare il [metodo di addestramento](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html) di un processo AutoML con il parametro `[AutoMLJobConfig.Mode](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html#sagemaker-Type-AutoMLJobConfig-Mode)`.
------
### Come selezionare funzionalità e algoritmi per l’addestramento di un processo AutoML
#### Selezione delle funzionalità
Autopilot fornisce fasi automatiche di preelaborazione dei dati, tra cui la selezione e l'estrazione delle funzionalità. Tuttavia, è possibile fornire manualmente le funzionalità da utilizzare durante l’addestramento con l'attributo `FeatureSpecificatioS3Uri`.
Le funzionalità selezionate devono essere contenute in un file JSON nel formato seguente:
```
{ "FeatureAttributeNames":["col1", "col2", ...] }
```
I valori elencati in `["col1", "col2", ...]` fanno distinzione tra maiuscole e minuscole. Dovrebbero essere un elenco di stringhe contenenti valori univoci che sono sottoinsiemi dei nomi delle colonne nei dati di input.
**Nota**
L'elenco di colonne fornito come funzionalità non può includere la colonna di destinazione.
------
#### [ CreateAutoMLJobV2 ]
Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
È possibile impostare l'URL delle funzionalità selezionate con il parametro `[TabularJobConfig.FeatureSpecificationS3Uri](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)`.
------
#### [ CreateAutoMLJob ]
È possibile impostare l'`FeatureSpecificatioS3Uri`attributo [Auto MLCandidate GenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidateGenerationConfig.html) all'interno dell'[CreateAutoMLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html)API con il seguente formato:
```
{
"[AutoMLJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-AutoMLJobConfig)": {
"[CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html#sagemaker-Type-AutoMLJobConfig-CandidateGenerationConfig)": {
"[FeatureSpecificationS3Uri](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidateGenerationConfig.html#sagemaker-Type-AutoMLCandidateGenerationConfig-FeatureSpecificationS3Uri)":"string"
},
}
}
```
------
#### Selezione degli algoritmi
Per impostazione predefinita, il processo di Autopilot esegue un elenco predefinito di algoritmi sul set di dati per addestrare candidati modello. L'elenco degli algoritmi dipende dalla modalità (`ENSEMBLING` o `HYPERPARAMETER_TUNING`) di addestramento utilizzata dal processo.
È possibile fornire un sottoinsieme della selezione predefinita di algoritmi.
------
#### [ CreateAutoMLJobV2 ]
Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
È possibile specificare un array di selezioni `AutoMLAlgorithms` nell'`AlgorithmsConfig`attributo di [CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html).
Di seguito è riportato un esempio di attributo `AlgorithmsConfig` che elenca esattamente tre algoritmi («xgboost», «fastai», «catboost») nel loro campo `AutoMLAlgorithms` per la modalità di addestramento di raggruppamento.
```
{
"[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)": {
"[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)": {
"[Mode](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)": "ENSEMBLING",
"[CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)": {
"[AlgorithmsConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html#sagemaker-Type-CandidateGenerationConfig-AlgorithmsConfig)":[
{"[AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html)":["xgboost", "fastai", "catboost"]}
]
},
},
},
}
```
------
#### [ CreateAutoMLJob ]
È possibile specificare un array di `AutoMLAlgorithms` selezioni nell'`AlgorithmsConfig`attributo [Auto MLCandidate GenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidateGenerationConfig.html).
Di seguito è riportato un esempio di attributo `AlgorithmsConfig` che elenca esattamente tre algoritmi («xgboost», «fastai», «catboost») nel loro campo `AutoMLAlgorithms` per la modalità di addestramento di raggruppamento.
```
{
"[AutoMLJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-AutoMLJobConfig)": {
"[CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html#sagemaker-Type-AutoMLJobConfig-CandidateGenerationConfig)": {
"[AlgorithmsConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidateGenerationConfig.html#sagemaker-Type-AutoMLCandidateGenerationConfig-AlgorithmsConfig)":[
{"[AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms)":["xgboost", "fastai", "catboost"]}
]
},
"Mode": "ENSEMBLING"
}
```
------
Per l'elenco degli algoritmi disponibili per ogni addestramento `Mode`, vedere [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms). Per informazioni dettagliate su ciascun algoritmo, vedere [Modalità di addestramento e supporto degli algoritmi](autopilot-model-support-validation.md).
### Come specificare i set di dati di addestramento e convalida di un processo AutoML
Puoi fornire il tuo set di dati di convalida e un rapporto di suddivisione dei dati personalizzato oppure lasciare che Autopilot suddivida automaticamente il set di dati.
------
#### [ CreateAutoMLJobV2 ]
Ogni [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html)oggetto (vedi il parametro richiesto [Auto MLJob InputDataConfig](https://docs.aws.amazon.com/sagemaker-api/src/AWSSageMakerAPIDoc/build/server-root/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobInputDataConfig)) ha un`ChannelType`, che può essere impostato su uno `training` o più `validation` valori che specificano come i dati devono essere utilizzati durante la creazione di un modello di apprendimento automatico. È necessario fornire almeno un'origine dati ed è consentito un massimo di due origine dati: una per i dati di addestramento e una per i dati di convalida.
Il modo in cui suddividere i dati in set di dati di addestramento e convalida dipende dalla presenza di una o due origine dati.
+ Se disponi di **una origine dati**, `ChannelType` è impostato su `training` come impostazione predefinita e deve avere questo valore.
+ Se il valore `ValidationFraction` in [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLDataSplitConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLDataSplitConfig.html) non è impostato, per impostazione predefinita viene utilizzato per la convalida lo 0,2 (20%) dei dati di questa origine.
+ Se `ValidationFraction` è impostato su un valore compreso tra 0 e 1, il set di dati viene suddiviso in base al valore specificato, dove il valore specifica la frazione del set di dati utilizzata per la convalida.
+ Se si dispone di **due origini dati**, per impostazione predefinita il `ChannelType` di uno degli oggetti `AutoMLJobChannel` deve essere impostato su `training`. Il `ChannelType` dell'altra origine dati deve essere impostato su `validation`. Le due origine dati devono avere lo stesso formato, CSV o Parquet, e lo stesso schema. In questo caso non è necessario impostare `ValidationFraction` perché tutti i dati di ciascuna origine vengono utilizzati per l'addestramento o la convalida. L'impostazione di questo valore causa un errore.
------
#### [ CreateAutoMLJob ]
Ogni [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLChannel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLChannel.html)oggetto (vedi il parametro richiesto [InputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-InputDataConfig)) ha un`ChannelType`, che può essere impostato su uno `training` o più `validation` valori che specificano come i dati devono essere utilizzati durante la creazione di un modello di apprendimento automatico. È necessario fornire almeno un'origine dati ed è consentito un massimo di due origine dati: una per i dati di addestramento e una per i dati di convalida.
Il modo in cui suddividere i dati in set di dati di addestramento e convalida dipende dalla presenza di una o due origine dati.
+ Se disponi di **una origine dati**, `ChannelType` è impostato su `training` come impostazione predefinita e deve avere questo valore.
+ Se il valore `ValidationFraction` in [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLDataSplitConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLDataSplitConfig.html) non è impostato, per impostazione predefinita viene utilizzato per la convalida lo 0,2 (20%) dei dati di questa origine.
+ Se `ValidationFraction` è impostato su un valore compreso tra 0 e 1, il set di dati viene suddiviso in base al valore specificato, dove il valore specifica la frazione del set di dati utilizzata per la convalida.
+ Se si dispone di **due origini dati**, per impostazione predefinita il `ChannelType` di uno degli oggetti `AutoMLChannel` deve essere impostato su `training`. Il `ChannelType` dell'altra origine dati deve essere impostato su `validation`. Le due origine dati devono avere lo stesso formato, CSV o Parquet, e lo stesso schema. In questo caso non è necessario impostare `ValidationFraction` perché tutti i dati di ciascuna origine vengono utilizzati per l'addestramento o la convalida. L'impostazione di questo valore causa un errore.
------
Per informazioni sulla suddivisione e la convalida incrociata in Autopilot, consultare [Convalida incrociata in Autopilot](autopilot-metrics-validation.md#autopilot-cross-validation).
### Come impostare il tipo di problema di un processo AutoML
------
#### [ CreateAutoMLJobV2 ]
Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
È possibile specificare ulteriormente il tipo di problema di apprendimento supervisionato (classificazione binaria, classificazione multiclasse, regressione) disponibile per i candidati modello del processo AutoML V2 con il parametro `[TabularJobConfig.ProblemType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)`.
------
#### [ CreateAutoMLJob ]
È possibile impostare il [tipo di problema](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-datasets-problem-types.html#autopilot-problem-types) su un processo AutoML con il parametro `[CreateAutoPilot.ProblemType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-ProblemType)`. Questo parametro limita il tipo di preelaborazione e gli algoritmi tentati da Autopilot. Dopo il processo, se hai impostato `[CreateAutoPilot.ProblemType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-ProblemType)`, il `[ResolvedAttribute.ProblemType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResolvedAttributes.html)` corrisponde al `ProblemType` da te impostato. Se lo lasci vuoto (o `null`), il `ProblemType` viene dedotto al posto tuo.
------
**Nota**
In alcuni casi, Autopilot non è in grado di dedurre `ProblemType` con un livello di fiducia abbastanza elevato, nel qual caso è necessario fornire il valore del processo per riuscire nell’operazione.
### Come aggiungere pesi di esempio a un processo AutoML
È possibile aggiungere una colonna di pesi di esempio al set di dati tabulare e quindi passarla al processo AutoML per richiedere la ponderazione delle righe del set di dati durante l’addestramento e la valutazione.
Il supporto per i pesi dei campioni è disponibile solo in [modalità raggruppamento](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode). I pesi devono essere numerici e non negativi. Sono esclusi i punti dati con un valore di peso non valido o assente. Per ulteriori informazioni sui parametri disponibili, consulta [Parametri ponderati per Autopilot](autopilot-metrics-validation.md#autopilot-weighted-metrics).
------
#### [ CreateAutoMLJobV2 ]
Per i dati tabulari, devi scegliere `[TabularJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
Per impostare i pesi dei campioni durante la creazione di un esperimento (vedi [CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)), puoi passare il nome della colonna dei pesi di esempio nell'`SampleWeightAttributeName`attributo dell'oggetto. `TabularJobConfig` Ciò garantisce che il parametro oggettivo utilizzi i pesi per l’addestramento, la valutazione e la selezione dei candidati modello.
------
#### [ CreateAutoMLJob ]
[Per impostare i pesi dei campioni durante la creazione di un esperimento (vedi [CreateAutoMLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html)), potete passare il nome della colonna dei pesi dei campioni nell'`SampleWeightAttributeName`attributo dell'oggetto Auto. MLChannel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLChannel.html) Ciò garantisce che il parametro oggettivo utilizzi i pesi per l’addestramento, la valutazione e la selezione dei candidati modello.
------
### Come configurare AutoML per avviare un processo remoto su EMR Serverless per set di dati di grandi dimensioni
È possibile configurare un processo AutoML V2 per avviare automaticamente un processo remoto su Amazon EMR Serverless quando sono necessarie risorse di calcolo aggiuntive per elaborare set di dati di grandi dimensioni. Passando senza problemi a EMR Serverless quando necessario, il processo AutoML è in grado di gestire set di dati che altrimenti supererebbero le risorse inizialmente allocate, senza alcun intervento manuale da parte dell’utente. EMR Serverless è disponibile per tipi di problemi relativi a dati tabulari e serie temporali. È consigliabile configurare questa opzione per set di dati tabulari di dimensioni superiori a 5 GB.
Per consentire al processo AutoML V2 di passare automaticamente a EMR Serverless per set di dati di grandi dimensioni, è necessario fornire un oggetto `EmrServerlessComputeConfig` che includa un campo `ExecutionRoleARN` ad `AutoMLComputeConfig` nella richiesta di input del processo AutoML V2.
`ExecutionRoleARN` è l’ARN del ruolo IAM che concede al processo AutoML V2 le autorizzazioni necessarie per eseguire i processi EMR Serverless.
Questo ruolo deve avere la relazione di attendibilità seguente:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
E concedere le autorizzazioni per:
+ creare, elencare e aggiornare le applicazioni EMR Serverless;
+ avviare, elencare, ottenere o annullare esecuzioni di job su un’applicazione EMR Serverless;
+ etichettare le risorse EMR Serverless;
+ passare un ruolo IAM al servizio EMR Serverless per l’esecuzione.
Concedendo l’autorizzazione `iam:PassRole`, il processo AutoML V2 può assumere temporaneamente il ruolo `EMRServerlessRuntimeRole-*` e passarlo al servizio EMR Serverless. Questi sono i ruoli IAM utilizzati dagli ambienti di esecuzione dei lavori EMR Serverless per accedere ad altri AWS servizi e risorse necessari durante il runtime, come Amazon S3 per l'accesso ai dati, per la registrazione, CloudWatch l'accesso al AWS Glue Data Catalog o altri servizi in base ai requisiti del carico di lavoro.
Per informazioni dettagliate sulle autorizzazioni di questo ruolo, consulta [Job runtime roles for Amazon EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-runtime-role.html).
La policy IAM definita nel documento JSON fornito concede queste autorizzazioni:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "EMRServerlessCreateApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:CreateApplication",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListApplications",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessApplicationOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:UpdateApplication",
"emr-serverless:GetApplication"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessStartJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:StartJobRun",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListJobRuns",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessJobRunOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:GetJobRun",
"emr-serverless:CancelJobRun"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*/jobruns/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessTagResourceOperation",
"Effect": "Allow",
"Action": "emr-serverless:TagResource",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "IAMPassOperationForEMRServerless",
"Effect": "Allow",
"Action": "iam:PassRole",
"Resource": "arn:aws:iam::*:role/EMRServerlessRuntimeRole-*",
"Condition": {
"StringEquals": {
"iam:PassedToService": "emr-serverless.amazonaws.com",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
}
]
}
```
------
## Esegui la migrazione da a V2 CreateAuto MLJob CreateAuto MLJob
Consigliamo agli utenti di `CreateAutoMLJob` di migrare a `CreateAutoMLJobV2`.
Questa sezione spiega le differenze nei parametri di input tra [CreateAutoMLJob](https://docs.aws.amazon.com/sagemaker-api/src/AWSSageMakerAPIDoc/build/server-root/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#API_CreateAutoMLJob_RequestSyntax)e [CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_RequestSyntax) evidenziando le modifiche nella posizione, nel nome o nella struttura degli oggetti e degli attributi della richiesta di input tra le due versioni.
+ **Attributi della richiesta che non sono cambiati tra le versioni.**
```
{
"AutoMLJobName": "string",
"AutoMLJobObjective": {
"MetricName": "string"
},
"ModelDeployConfig": {
"AutoGenerateEndpointName": boolean,
"EndpointName": "string"
},
"OutputDataConfig": {
"KmsKeyId": "string",
"S3OutputPath": "string"
},
"RoleArn": "string",
"Tags": [
{
"Key": "string",
"Value": "string"
}
]
}
```
+ **Richiedi gli attributi che hanno modificato la posizione e la struttura tra le versioni.**
La posizione dei seguenti attributi è cambiata: `DataSplitConfig`, `Security Config`, `CompletionCriteria`, `Mode`, `FeatureSpecificationS3Uri`, `SampleWeightAttributeName`, `TargetAttributeName`.
------
#### [ CreateAutoMLJob ]
```
{
"AutoMLJobConfig": {
"Mode": "string",
"CompletionCriteria": {
"MaxAutoMLJobRuntimeInSeconds": number,
"MaxCandidates": number,
"MaxRuntimePerTrainingJobInSeconds": number
},
"DataSplitConfig": {
"ValidationFraction": number
},
"SecurityConfig": {
"EnableInterContainerTrafficEncryption": boolean,
"VolumeKmsKeyId": "string",
"VpcConfig": {
"SecurityGroupIds": [ "string" ],
"Subnets": [ "string" ]
}
},
"CandidateGenerationConfig": {
"FeatureSpecificationS3Uri": "string"
}
},
"GenerateCandidateDefinitionsOnly": boolean,
"ProblemType": "string"
}
```
------
#### [ CreateAutoMLJobV2 ]
```
{
"AutoMLProblemTypeConfig": {
"TabularJobConfig": {
"Mode": "string",
"ProblemType": "string",
"GenerateCandidateDefinitionsOnly": boolean,
"CompletionCriteria": {
"MaxAutoMLJobRuntimeInSeconds": number,
"MaxCandidates": number,
"MaxRuntimePerTrainingJobInSeconds": number
},
"FeatureSpecificationS3Uri": "string",
"SampleWeightAttributeName": "string",
"TargetAttributeName": "string"
}
},
"DataSplitConfig": {
"ValidationFraction": number
},
"SecurityConfig": {
"EnableInterContainerTrafficEncryption": boolean,
"VolumeKmsKeyId": "string",
"VpcConfig": {
"SecurityGroupIds": [ "string" ],
"Subnets": [ "string" ]
}
}
}
```
------
+ **I seguenti attributi hanno modificato la posizione e la struttura tra le versioni.**
Il seguente codice JSON illustra come eseguire la [configurazione MLJob automatica. ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html#sagemaker-Type-AutoMLJobConfig-CandidateGenerationConfig)CandidateGenerationConfig[di tipo [Auto MLCandidate GenerationConfig spostato in Auto](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidateGenerationConfig.html). MLProblem TypeConfig TabularJobConfig. CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_RequestSyntax)di tipo [CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)in V2.
------
#### [ CreateAutoMLJob ]
```
{
"AutoMLJobConfig": {
"CandidateGenerationConfig": {
"AlgorithmsConfig": [
{
"AutoMLAlgorithms": [ "string" ]
}
],
"FeatureSpecificationS3Uri": "string"
}
}
```
------
#### [ CreateAutoMLJobV2 ]
```
{
"AutoMLProblemTypeConfig": {
"TabularJobConfig": {
"CandidateGenerationConfig": {
"AlgorithmsConfig": [
{
"AutoMLAlgorithms": [ "string" ]
}
],
},
}
},
}
```
------
+ **Richiedi gli attributi che hanno cambiato nome e struttura.**
Il seguente codice JSON illustra come [InputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-InputDataConfig)(An array of [AutoMLChannel) sia cambiato in Auto](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLChannel.html) MLJob InputDataConfig (An array of [Auto MLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobInputDataConfig) [Channel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html)) in V2. Nota che gli attributi `SampleWeightAttributeName` e `TargetAttributeName` vengono spostati da `InputDataConfig` e verso `AutoMLProblemTypeConfig`.
------
#### [ CreateAutoMLJob ]
```
{
"InputDataConfig": [
{
"ChannelType": "string",
"CompressionType": "string",
"ContentType": "string",
"DataSource": {
"S3DataSource": {
"S3DataType": "string",
"S3Uri": "string"
}
},
"SampleWeightAttributeName": "string",
"TargetAttributeName": "string"
}
]
}
```
------
#### [ CreateAutoMLJobV2 ]
```
{
"AutoMLJobInputDataConfig": [
{
"ChannelType": "string",
"CompressionType": "string",
"ContentType": "string",
"DataSource": {
"S3DataSource": {
"S3DataType": "string",
"S3Uri": "string"
}
}
}
]
}
```
------