As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Crie um experimento de Regressão ou de Classificação do Autopilot com os dados tabulares usando a interface do usuário do Studio Classic **Importante** Em 30 de novembro de 2023, a interface do usuário do Autopilot está migrando para o [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) como parte da experiência atualizada do [Amazon SageMaker Studio](studio-updated.md). SageMaker O Canvas fornece aos analistas e cientistas de dados cidadãos recursos sem código para tarefas como preparação de dados, engenharia de recursos, seleção de algoritmos, treinamento e ajuste, inferência e muito mais. Os usuários podem aproveitar visualizações integradas e análises hipotéticas para explorar seus dados e diferentes cenários, com predições automatizadas que permitem que eles produzam facilmente seus modelos. O Canvas é compatível com uma variedade de casos de uso, incluindo visão computacional, previsão de demanda, pesquisa inteligente e IA generativa. Os usuários do [Amazon SageMaker Studio Classic](studio.md), a experiência anterior do [Studio](studio-updated.md), podem continuar usando a interface do usuário do Autopilot no Studio Classic. Usuários com experiência em programação podem continuar usando todas as [referências de API](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html) em qualquer SDK compatível para implementação técnica. Se você usa o Autopilot no Studio Classic até agora e deseja migrar para o SageMaker Canvas, talvez seja necessário conceder permissões adicionais ao seu perfil de usuário ou função do IAM para poder criar e usar o aplicativo SageMaker Canvas. Para obter mais informações, consulte [(Opcional) Migrar do piloto automático no Studio Classic para o Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot). [Todas as instruções relacionadas à interface do usuário neste guia se referem aos recursos autônomos do Autopilot antes da migração para o Amazon Canvas. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) Os usuários que seguem essas instruções devem usar o [Studio Classic](studio.md). Você pode usar a interface do usuário do Amazon SageMaker Studio Classic para criar experimentos de piloto automático para problemas de classificação ou regressão em dados tabulares. A interface do usuário ajuda a especificar o nome do seu experimento, fornecer locais para os dados de entrada e saída e especificar quais dados de destino deve prever. Opcionalmente, você também pode especificar o tipo de problema que deseja resolver (regressão, classificação, classificação multiclasse), escolha a estratégia de modelagem (*conjuntos empilhados* ou *otimização de hiperparâmetros*), selecione a lista de algoritmos usados pelo trabalho do Autopilot para treinar os dados e muito mais. A interface do usuário tem descrições, opções de alternância, menus suspensos, botões de opção e muito mais para ajudá-lo a navegar na criação de seus candidatos a modelo. Depois de executado o experimento, você pode comparar os testes e se aprofundar nos detalhes das etapas de pré-processamento, dos algoritmos e dos intervalos de hiperparâmetros de cada modelo. Opcionalmente, você tem a opção de baixar seus relatórios de [explicabilidade](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html) e [desempenho](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html). Use os [cadernos](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html ) fornecidos para ver os resultados da exploração automatizada de dados ou as definições do modelo candidato. Alternativamente, é possível usar a API de Autopilot AutoML em [Crie trabalhos de regressão ou classificação para dados tabulares com a API do AutoML](autopilot-automate-model-development-create-experiment.md). **Para criar um experimento do Autopilot usando a interface do usuário do Studio Classic** 1. Faça login em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), escolha **Studio** no painel de navegação esquerdo, selecione seu domínio e perfil de usuário e, em seguida, **abra o Studio**. 1. No Studio, escolha o ícone do Studio Classic no painel de navegação superior esquerdo. Isso abre uma aplicação Studio Classic. 1. Execute ou abra a aplicação Studio Classic no espaço que você quiser ou **Crie um espaço do Studio Classic**. Na guia **Início**, escolha o cartão **AutoML**. Isso abre uma nova guia **AutoML**. 1. Escolha **Criar um experimento AutoML**. Isso abre uma nova guia **Criar experimento**. 1. Na seção **Detalhes do experimento e dos dados**, insira as seguintes informações: 1. **Nome do experimento** — deve ser exclusivo da sua conta atual Região da AWS e conter no máximo 63 caracteres alfanuméricos. Pode incluir hifens (-), mas não espaços. 1. **Dados de entrada**: Forneça a localização do bucket do Amazon Simple Storage Service (Amazon S3) dos seus dados de entrada. Esse bucket do S3 deve estar na sua Região da AWS. O URL deve estar em um `s3://` formato em que a Amazon SageMaker AI tenha permissões de gravação. O arquivo deve estar no formato CSV ou Parquet e conter pelo menos 500 linhas. Selecione **Procurar** para percorrer os caminhos disponíveis e **Visualizar** para ver uma amostra dos dados de entrada. 1. **Sua entrada do S3 é um arquivo de manifesto?** : Um arquivo de manifesto inclui metadados com seus dados de entrada. Os metadados especificam a localização dos seus dados no Amazon S3. Ele também especifica como os dados são formatados e quais atributos do conjunto de dados devem ser usados ao treinar seu modelo. É possível usar um arquivo de manifesto como alternativa ao pré-processamento quando seus dados rotulados estão sendo transmitidos no modo `Pipe`. 1. **Divisão automática de dados?** : O Autopilot pode dividir seus dados em uma divisão de 80- 20% para dados de treinamento e validação. Se preferir uma divisão personalizada, você pode escolher a opção **Especificar proporção de divisão**. Para usar um conjunto de dados personalizado para validação, escolha **Fornecer um conjunto de validação**. 1. **Local dos dados de saída (bucket do S3)**: O nome do local do bucket do S3 em que você deseja armazenar os dados de saída. O URL desse bucket deve estar no formato Amazon S3 em que o Amazon SageMaker AI tenha permissões de gravação. O bucket do S3 deve estar na atual Região da AWS. O Autopilot também pode criar isso para você no mesmo local dos dados de entrada. 1. Escolha **Avançar: Alvo e atributos**. A guia **Alvo e atributos** é aberta. 1. Na seção **Alvo e atributos**: + Selecione uma coluna para definir como meta para as predições de modelo. + Opcionalmente, você pode passar o nome de uma coluna de pesos amostrais na seção **Peso amostral** para solicitar que as linhas do conjunto de dados sejam ponderadas durante o treinamento e a avaliação. Para obter mais informações sobre as métricas objetivas disponíveis, consulte [Métricas ponderadas do Autopilot](autopilot-metrics-validation.md#autopilot-weighted-metrics). **nota** O compatibilidade com pesos de amostra está disponível somente no [modo de agrupamento.](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode) + Você também pode selecionar atributos para treinamento e alterar o tipo de dados. Os seguintes tipos de dados estão disponíveis: `Text`, `Numerical`, `Categorical`, `Datetime`, `Sequence` e `Auto`. Todos os atributos são selecionados por padrão. 1. Escolha **Avançar: Método de treinamento**. A guia **Método de treinamento** é aberta. 1. Na seção **Método de treinamento**, selecione sua opção de treinamento: **Agrupamento**, **Otimização de hiperparâmetros (HPO)** ou **Auto** para permitir que o Autopilot escolha o método de treinamento automaticamente com base no tamanho do conjunto de dados. Cada modo de treinamento executa um conjunto predefinido de algoritmos em seu conjunto de dados para treinar candidatos a modelos. Por padrão, o Autopilot pré-seleciona todos os algoritmos disponíveis para o modo de treinamento específico. É possível realizar um experimento de treinamento do Autopilot com todos os algoritmos ou escolher seu próprio subconjunto. Para obter mais informações sobre os modos de treinamento e os algoritmos disponíveis, consulte a seção **Modos de treinamento do Autopilot** na página [Modos de treinamento e algoritmos](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html). 1. Escolha **Avançar: Implantação e configurações avançadas** para abrir a guia **Implantação e configurações avançadas**. As configurações incluem o nome do endpoint de exibição automática, o tipo de problema de machine learning e opções adicionais para executar seu experimento. 1. **Configurações de implantação**: O Autopilot pode criar automaticamente um endpoint e implantar seu modelo para você. Para implantar automaticamente em um endpoint gerado automaticamente ou para fornecer um nome de endpoint para implantação personalizada, defina a opção como **Sim** em **Implantação automática?** Se você estiver importando dados do Amazon Data Wrangler, você tem opções adicionais para implantar automaticamente o melhor modelo com ou sem as transformações do SageMaker Data Wrangler. **nota** Se o fluxo do Data Wrangler contiver operações de várias linhas como, ou `groupby`, `join` ou `concatenate`, você não poderá implantar automaticamente essas transformações. Para obter mais informações, consulte [Treinar modelos automaticamente em seu fluxo de dados](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html). 1. **Configurações avançadas (opcional)**: O Autopilot fornece controles adicionais para definir manualmente parâmetros experimentais, como definir o tipo de problema, restrições de tempo no trabalho e nos testes do Autopilot, configurações de segurança e criptografia. **nota** O Autopilot é compatível com a configuração de valores padrão para simplificar a configuração dos experimentos do Autopilot usando a interface do usuário do Studio Classic. Os administradores podem usar [as configurações de ciclo de vida](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) do Studio Classic para definir valores de infraestrutura, rede e segurança nos arquivos de configuração e preencher previamente as *configurações avançadas* dos trabalhos `AutoML`. Para saber mais sobre como os administradores podem automatizar a personalização de um experimento do Autopilot, consulte [Configurar os parâmetros padrão de um experimento do Autopilot (para administradores)](autopilot-set-default-parameters-create-experiment.md). 1. **Tipo de problema de machine learning**: O Autopilot pode inferir automaticamente o tipo de problema de aprendizado supervisionado a partir do seu conjunto de dados. Se preferir escolhê-lo manualmente, você pode usar o menu suspenso **Selecionar o tipo de problema de machine learning**. **Observe que o padrão é Auto.** Em alguns casos, a SageMaker IA não consegue inferir com precisão. Quando isso acontece, você deve fornecer o valor para que o trabalho seja bem-sucedido. Em particular, é possível escolher entre os seguintes tipos: + **Classificação binária**: A classificação binária atribui dados de entrada a uma das duas classes predefinidas e mutuamente exclusivas, com base em seus atributos, como diagnóstico médico baseado em resultados de testes diagnósticos que determinam se alguém tem uma doença. + **Regressão**: A regressão estabelece uma relação entre as variáveis de entrada (também conhecidas como variáveis independentes ou atributos) e a variável alvo (também conhecida como variável dependente). Essa relação é capturada por meio de uma função ou modelo matemático que mapeia as variáveis de entrada para uma saída contínua. É comumente usado para tarefas como prever preços de casas com base em atributos como metragem quadrada e número de banheiros, tendências do mercado de ações ou estimativa de números de vendas. + **Classificação multiclasse**: A classificação multiclasse atribui dados de entrada a uma das várias classes com base em seus atributos, como a predição do tópico mais relevante para um documento de texto, como política, finanças ou filosofia. 1. **Runtime**: É possível definir um limite máximo de tempo. Ao atingir o limite de tempo, os testes e trabalhos que excedem a restrição de tempo são interrompidos automaticamente. 1. **Acesso** — Você pode escolher a função que o Amazon SageMaker Studio Classic assume para obter acesso temporário Serviços da AWS (em particular, SageMaker AI e Amazon S3) em seu nome. Se nenhuma função for definida explicitamente, o Studio Classic usará automaticamente a função de execução de SageMaker IA padrão anexada ao seu perfil de usuário. 1. **Criptografia**: Para aumentar a segurança de seus dados em repouso e protegê-los contra acesso não autorizado, você pode especificar chaves de criptografia para criptografar dados em seus buckets do Amazon S3 e no volume do Amazon Elastic Block Store (Amazon EBS) anexado ao seu domínio do Studio Classic. 1. **Segurança** — Você pode escolher a nuvem privada virtual (Amazon VPC) na qual seu trabalho de SageMaker IA é executado. Certifique-se de que o Amazon VPC tenha acesso aos seus buckets de entrada e saída do Amazon S3. 1. **Projeto** — especifique o nome do projeto de SageMaker IA a ser associado a esse experimento do piloto automático e às saídas do modelo. Quando você especifica um projeto, o Autopilot marca o projeto como um experimento. Isso permite que você saiba quais saídas do modelo estão associadas a este projeto. 1. **Etiquetas**: As etiquetas são um array de pares de chave-valor. Use tags para categorizar seus recursos Serviços da AWS, como finalidade, proprietário ou ambiente. 1. Escolha **Avançar: Revise e crie** para obter um resumo do seu experimento do Autopilot antes de criá-lo. 1. Selecione **Criar experimento**. A criação do experimento inicia um trabalho de piloto automático na SageMaker IA. O Autopilot fornece o status do experimento, informações sobre o processo de exploração de dados e candidatos a modelos em cadernos, uma lista dos modelos gerados e seus relatórios e o perfil de trabalho usado para criá-los. Para obter informações sobre os cadernos gerados por uma tarefa do Autopilot, consulte [Cadernos do Autopilot gerados para gerenciar tarefas de AutoML](autopilot-automate-model-development-notebook-output.md). Para ter informações sobre os detalhes de cada opção de modelo e os respectivos relatórios, consulte [visualizar detalhes do modelo](autopilot-models-details.md) e [Visualizar um relatório de desempenho do modelo do Autopilot](autopilot-model-insights.md). **nota** Para evitar cobranças desnecessárias: se você implantar um modelo que não é mais necessário, exclua os endpoints e os recursos que foram criados durante a implantação. Informações sobre instâncias de preços por região estão disponíveis na [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).