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。

# 表格式資料的端點回應
<a name="clarify-processing-job-data-format-tabular-response"></a>

SageMaker Clarify 處理任務收到推論端點調用的回應後，它會反序列化回應有效負載並從中擷取預測。使用分析組態 `accept_type` 參數來指定回應有效負載的資料格式。如果 `accept_type` 未提供，SageMaker Clarify 處理任務將使用 content\$1type 參數的值作為模型輸出格式。如需 `accept_type` 的相關資訊，請參閱 [分析組態檔案](clarify-processing-job-configure-analysis.md)。

預測可以包含用於偏差分析的預測標籤，或者用於功能重要性分析的機率值 (分數) 組成。在 `predictor` 分析組態中，下列三個參數會擷取預測。
+ 該參數 `probability` 用於定位在端點回應的機率值 (分數)。
+ 該參數 `label` 用於在端點回應中定位預測標籤。
+ (選擇性) 參數 `label_headers` 提供多類別模型的預測標籤。

下列指南適用於 CSV、JSON 行和 JSON 格式的端點回應。

## 端點回應為 CSV 格式
<a name="clarify-processing-job-data-format-tabular-reponse-csv"></a>

如果回應有效負載是 CSV 格式 (MIME 類型：`text/csv`)，SageMaker Clarify 處理任務還原序列化每一列。然後，它使用分析組態中提供的欄索引，從還原序列化的資料中擷取預測。回應有效負載中的資料列必須與請求有效負載中的記錄相符。

下表提供不同格式和不同問題類型的回應資料範例。只要可以根據分析組態擷取預測，您的資料可以與這些範例有所不同。

以下各章節顯示 CSV 格式的端點回應範例。

### 端點回應為 CSV 格式，且僅包含機率
<a name="clarify-processing-job-data-format-tabular-reponse-csv-prob"></a>

下表是迴歸和二進制分類問題的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄。  |  '0.6'  | 
|  兩個記錄 (結果在一行中，用逗號分隔)。  |  '0.6,0.3'  | 
|  兩個記錄 (結果在兩行中)。  |  '0.6\$1n0.3'  | 

在先前的範例中，端點會輸出預測標籤的單一機率值 (分數)。若要使用索引擷取機率並將其用於功能重要性分析，請將分析組態參數設定為`probability`欄索引`0`。如果使用 `probability_threshold` 參數將這些機率轉換為二進位值，也可以用於偏差分析。如需 `probability_threshold` 的相關資訊，請參閱 [分析組態檔案](clarify-processing-job-configure-analysis.md)。

下表是多類別問題的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  多類模型的單一記錄 (三個類別)。  |  '0.1,0.6,0.3'  | 
|  多類模型的兩個記錄 (三個類別)。  |  '0.1,0.6,0.3\$1n0.2,0.5,0.3'  | 

在先前的範例中，端點會輸出機率 (分數) 的清單。如果未提供索引，則會擷取所有值並用於功能重要性分析。如果提供了分析組態參數 `label_headers`。然後，SageMaker Clarify 處理任務可以選取最大機率的標籤標題作為預測標籤，該標籤可用於偏差分析。如需 `label_headers` 的相關資訊，請參閱 [分析組態檔案](clarify-processing-job-configure-analysis.md)。

### 端點回應為 CSV 格式，且僅包含預測標籤
<a name="clarify-processing-job-data-format-tabular-reponse-csv-pred"></a>

下表是迴歸和二進制分類問題的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '1'  | 
|  兩個記錄 (結果在一行中，用逗號分隔)  |  '1,0'  | 
|  兩個記錄 (結果在兩行)  |  '1\$1n0'  | 

對於先前的範例，端點輸出預測標籤而不是機率。將 `predictor` 組態的 `label` 參數設定為欄索引 `0`，以便可以使用索引擷取預測標籤並用於偏差分析。

### 端點回應為 CSV 格式，並包含預測標籤和機率
<a name="clarify-processing-job-data-format-tabular-reponse-csv-pred-prob"></a>

下表是迴歸和二進制分類問題的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '1,0.6'  | 
|  兩個記錄  |  '1,0.6\$1n0,0.3'  | 

對於先前的範例，端點輸出預測標籤後跟其機率。將 `predictor` 組態的 `label` 參數設定為欄索引 `0`，並設定 `probability` 為欄索引 `1` 以擷取兩個參數值。

### 端點回應為 CSV 格式，並包含預測標籤和機率 (多類別)
<a name="clarify-processing-job-data-format-tabular-reponse-csv-preds-probs"></a>

由 Amazon SageMaker Autopilot 訓練的多類別模型容器可以設定為輸出字串表示的預測標籤及機率清單。下列範例表格顯示來自設定為輸出 `predicted_label`、`probability`、`labels` 和 `probabilities` 之模型的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '"狗",0.6,"[\$1'貓\$1', \$1'狗\$1', \$1'魚\$1']","[0.1, 0.6, 0.3]"'  | 
|  兩個記錄  |  '"狗",0.6,"[\$1'貓\$1', \$1'狗\$1', \$1'魚\$1']","[0.1, 0.6, 0.3]"\$1n""貓",0.7,[\$1'貓\$1', \$1'狗\$1', \$1'魚\$1']","[0.7, 0.2, 0.1]"'  | 

對於先前的範例，可以使用下列方式設定 SageMaker Clarify 處理任務以擷取預測。

對於偏差分析，先前的範例可以設定為下列其中一項。
+ 將 `predictor` 組態的 `label` 參數設定為 `0` 以擷取預測標籤。
+ 將參數設定為 `2` 以擷取預測標籤，並設定 `probability` 為 `3` 以擷取相應的機率。SageMaker Clarify 處理任務可透過識別使用最高機率值的標籤來自動判定預測標籤。參照單一記錄的前一個範例，該模型會預測三個標籤：`cat`、`dog` 和`fish`，其對應機率為 `0.1`、`0.6` 和 `0.3`。根據這些機率，預測標籤是 `dog`，因為它具有 `0.6` 的最高機率值。
+ 設定 `probability` 為 `3`，以擷取機率。如果 `label_headers` 有提供，則 SageMaker Clarify 處理任務可以透過識別使用最高機率值的標籤標題來自動判定預測標籤。

對於功能重要性分析，先前的範例可以設定如下。
+ 設定 `probability` 為 `3` 擷取所有預測標籤的機率。然後，將為所有標示運算功能屬性。如果客戶未指定 `label_headers`，則預測標籤將用作分析報告中的標籤標題。

## 端點回應是 JSON 行格式
<a name="clarify-processing-job-data-format-tabular-reponse-jsonlines"></a>

如果回應有效負載是 JSON 行格式(MIME 類型：`application/jsonlines`)，SageMaker Clarify 處理任務會將每一行還原序列化作為 JSON 格式匯出格式匯出。然後，它使用分析組態中提供的 JMESPath 表達式從反序列化資料中擷取預測。回應有效負載中的行必須與請求有效負載中的記錄符合。下表顯示了不同格式的回應資料的範例。只要可以根據分析組態擷取預測，您的資料可以與這些範例有所不同。

以下各章節顯示 JSON 行格式的端點回應範例。

### 端點回應採用 JSON 行格式，並且僅包含機率
<a name="clarify-processing-job-data-format-tabular-reponse-jsonlines-prob"></a>

下表是僅輸出機率值 (分數) 的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"分數":0.6\$1'  | 
|  兩個記錄  |  '\$1"分數":0.6\$1\$1n\$1"分數":0.3\$1'  | 

對於先前的範例，將分析組態參數設定 `probability` 為 JMESPath 運算式 “score” 以擷取其值。

### 端點回應採用 JSON 行格式，且僅包含預測標籤
<a name="clarify-processing-job-data-format-tabular-reponse-jsonlines-pred"></a>

下表是僅輸出預測標籤的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"預測":1\$1'  | 
|  兩個記錄  |  '\$1"預測":1\$1\$1n\$1"預測":0\$1'  | 

對於先前的範例，請將預測值組態的 `label` 參數設定為 JMESPath 運算式 `prediction`。然後，SageMaker Clarify 處理任務可以擷取預測標籤以進行偏差分析。如需詳細資訊，請參閱[分析組態檔案](clarify-processing-job-configure-analysis.md)。

### 端點回應是 JSON 行格式，並包含預測標籤和機率
<a name="clarify-processing-job-data-format-tabular-reponse-jsonlines-pred-prob"></a>

下表是輸出預測標籤及其分數的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"預測":1,"分數":0.6\$1'  | 
|  兩個記錄  |  '\$1"預測":1,"分數":0.6\$1\$1n\$1"預測":0,"分數分數":0.3\$1'  | 

對於先前的範例，將組態 `predictor` 的 `label` 參數設為 JMESPath 表達式 “prediction”，以擷取預測標籤。設定`probability`為 JMESPath 表達式 “score” 以擷取機率。如需詳細資訊，請參閱[分析組態檔案](clarify-processing-job-configure-analysis.md)。

### 端點回應採用 JSON 行格式，並包含預測標籤和機率 (多類別)
<a name="clarify-processing-job-data-format-tabular-reponse-jsonlines-preds-probs"></a>

下表是來自多類別模型的端點回應範例，可輸出下列資訊：
+ 預測標籤的清單。
+  機率，以及所選擇的預測標籤及其機率。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"predicted\$1label":"狗","機率":0.6,"predicted\$1labels":["貓","狗","魚"],"機率":[0.1,0.6,0.3]\$1'  | 
|  兩個記錄  |  '\$1"predicted\$1label":"狗","機率":0.6,"predicted\$1labels":["貓","狗","魚"],"機率":[0.1,0.6,0.3]\$1\$1n\$1"predicted\$1label":"貓","機率":0.7,"predicted\$1labels":["貓","狗","魚"],"機率":[0.7,0.2,0.1]\$1'  | 

 對於先前的範例，可以透過數種方式設定 SageMaker Clarify 處理任務，以擷取預測。

對於偏差分析，先前的範例可以設定為下列其中**一**項。
+ 將 `predictor` 組態的 `label` 參數設定為 JMESPath 表達式 “predicted\$1label”，以擷取預測標籤。
+ 將參數設定為 JMESPath 表達式 “predicted\$1labels” 以擷取預測標籤。設定 `probability` 為 JMESPath 表達式 “probabilities” 以擷取其機率。SageMaker Clarify 任務會透過識別使用最高機率值的標籤來自動判定預測標籤。
+ 設定 `probability` 為 JMESPath 表達式 “probabilities” 以擷取其機率。如果 `label_headers` 有提供，則 SageMaker Clarify 處理任務可以透過識別使用最高機率值的標籤來自動判定預測標籤。

對於功能重要性分析，請執行下列操作。
+ 設定 `probability` 為 JMESPath 表達式 “probabilities”，以擷取其所有預測標籤的機率。然後，將為所有標示運算功能屬性。

## 端點回應作為 JSON 格式匯出格式
<a name="clarify-processing-job-data-format-tabular-reponse-json"></a>

如果回應有效負載是 JSON 格式 (MIME 類型：`application/json`)，SageMaker Clarify 處理任務會將整個有效負載還原序列化作為 JSON 格式匯出。然後，它使用分析組態中提供的 JMESPath 表達式從反序列化資料中擷取預測。回應有效負載中的記錄必須與請求有效負載中的記錄符合。

以下各章節顯示 JSON 格式的端點回應範例。這些區段包含表格，其中包含不同格式和不同問題類型的回應資料範例。只要可以根據分析組態擷取預測，您的資料可以與這些範例有所不同。

### 端點回應作為 JSON 格式匯出格式，且僅包含機率
<a name="clarify-processing-job-data-format-tabular-reponse-json-prob"></a>

下表是來自端點的範例回應，該端點僅輸出機率值 (分數)。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '[0.6]'  | 
|  兩個記錄  |  '[0.6,0.3]'  | 

在先前的範例中，回應有效負載中沒有分行符號。相反地，單一 JSON 物件包含分數清單，請求中每個記錄的各一個分數清單。將分析組態參數設定 `probability` 為 JMESPath 運算式 "[\$1]" 以擷取值。

### 端點回應作為 JSON 格式匯出格式，且僅包含預測標籤
<a name="clarify-processing-job-data-format-tabular-reponse-json-pred"></a>

下表是來自僅輸出預測標籤的端點回應範例。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"predicted\$1labels":[1]\$1'  | 
|  兩個記錄  |  '\$1"predicted\$1labels":[1,0]\$1'  | 

將 `predictor` 組態的 `label` 參數設定為 JMESPath 運算式 “predicted\$1labels”，然後 SageMaker Clarify 處理工作可以擷取預測標籤以進行偏差分析。

### 端點回應是 JSON 格式，並包含預測標籤和機率
<a name="clarify-processing-job-data-format-tabular-reponse-json-pred-prob"></a>

下表是來自端點的範例回應，該端點會輸出預測標籤及其分數。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '\$1"預測":[\$1"標籤":1,"分數":0.6\$1'  | 
|  兩個記錄  |  ‘\$1"預測":[\$1"標籤":1,"分數":0.6\$1,\$1"標籤":0,"分數":0.3\$1]\$1'  | 

對於先前的範例，將組態 `predictor` 的 `label` 參數設定為 JmesPath 表達式 “predictions[\$1].label”，以擷取預測標籤。設定 `probability` 為 JMESPath 表達式 “predictions[\$1].score” 以擷取機率。

### 端點回應採用 JSON 格式，並包含預測標籤和機率 (多類別)
<a name="clarify-processing-job-data-format-tabular-reponse-json-preds-probs"></a>

下表是來自端點的範例回應，來自多類別模型的回應，該模型會輸出以下內容：
+ 預測標籤的清單。
+ 機率，以及所選擇的預測標籤及其機率。


| 端點請求有效負載 | 端點回應有效負載 (字串表示) | 
| --- | --- | 
|  單一記錄  |  '[\$1"predicted\$1label":"狗","機率":0.6,"predicted\$1labels":["貓","狗","魚"],"機率":[0.1,0.6,0.3]\$1]'  | 
|  兩個記錄  |  '[\$1"predicted\$1label":"狗","機率":0.6,"predicted\$1labels":["貓","狗","魚"],"機率":[0.1,0.6,0.3]\$1,\$1"predicted\$1label":"貓","機率":0.7,"predicted\$1labels":["貓","狗","魚"],"機率":[0.7,0.2,0.1]\$1]'  | 

SageMaker Clarify 處理任務可以透過數種方式設定，以擷取預測。

對於偏差分析，先前的範例可以設定為下列其中**一**項。
+ 將 `predictor` 組態的 `label` 參數設定為 JMESPath 表達式 “[\$1].predicted\$1label”，以擷取預測標籤。
+ 將參數設定為 JMESPath 表達式 “[\$1].predicted\$1labels”，以擷取預測標籤。設定 `probability` 為 JMESPath 表達式 “[\$1].probabilities”，以擷取其機率。SageMaker Clarify 處理任務可以透過識別使用最高鄰近值的標籤來自動判定預測標籤。
+ 設定 `probability` 為 JMESPath 表達式 “[\$1].probabilities”，以擷取其機率。如果 `label_headers` 有提供，則 SageMaker Clarify 處理任務可以透過識別使用最高機率值的標籤來自動判定預測標籤。

對於功能重要性分析，設定 `probability` 為 JMESPath 表達式 “[\$1].probabilities”，以擷取其所有預測標籤的機率。然後，將為所有標示運算功能屬性。