Wir aktualisieren den Amazon Machine Learning Learning-Service nicht mehr und akzeptieren auch keine neuen Benutzer mehr dafür. Diese Dokumentation ist für bestehende Benutzer verfügbar, wir aktualisieren sie jedoch nicht mehr. Weitere Informationen finden Sie unter [Was ist Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Tutorial: Verwenden von Amazon ML zum Voraussagen der Reaktionen auf ein Marketingangebot
Mit Amazon Machine Learning (Amazon ML) können Sie Vorhersagemodelle erstellen und trainieren und Ihre Anwendungen in einer skalierbaren Cloud-Lösung hosten. In diesem Tutorial zeigen wir Ihnen, wie Sie die Amazon ML-Konsole verwenden, um eine Datenquelle zu erstellen, ein Modell für maschinelles Lernen (ML) zu erstellen und das Modell zur Generierung von Vorhersagen zu verwenden, die Sie in Ihren Anwendungen verwenden können.
Unsere Beispielübung zeigt, wie potenzielle Kunden für eine gezielte Marketingkampagne identifiziert werden. Sie können aber dieselben Prinzipien anwenden, um eine Vielfalt von ML-Modellen zu erstellen und zu verwenden. Für die Beispielübung verwenden Sie öffentlich verfügbare Banking- und Marketingdatensätze aus dem [University of California at Irvine (UCI) Machine Learning Repository](http://archive.ics.uci.edu/ml/datasets.php). Diese Datensätze enthalten allgemeine Informationen über Kunden sowie deren Reaktion auf vorherige Marketingkontakte. Sie werden diese Daten verwenden, um zu ermitteln, welche Kunden mit der größten Wahrscheinlichkeit Ihr neues Produkt, eine Banktermineinlage, auch bekannt als Einlagenzertifikat, abonnieren werden.
**Warnung**
Dieses Tutorial ist nicht im kostenlosen AWS-Kontingent enthalten. Weitere Informationen zu den Amazon ML-Preisen finden Sie unter [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Voraussetzung
Für das Tutorial benötigen Sie ein AWS-Konto. Wenn Sie noch kein AWS-Konto haben, informieren Sie sich unter [Einrichten von Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Schritte
+ [Schritt 1: Vorbereitung Ihrer Daten](step-1-download-edit-and-upload-data.md)
+ [Schritt 2: Erstellen einer Schulungsdatenquelle](step-2-create-a-datasource.md)
+ [Schritt 3: Erstellen eines ML-Modells](step-3-create-an-ml-model.md)
+ [Schritt 4: Überprüfen der Voraussageleistung des ML-Modells und Festlegen eines Punktzahlschwellenwerts](step-4-review-model-and-set-cutoff.md)
+ [Schritt 5: Verwenden des ML-Modells zum Generieren von Voraussagen](step-5-create-predictions.md)
+ [Schritt 6: Aufräumen](step-6-clean-up.md)
# Schritt 1: Vorbereitung Ihrer Daten
Beim Machine Learning erhalten Sie in der Regel die Daten und stellen sicher, dass sie richtig formatiert sind, bevor Sie mit dem Schulungsprozess beginnen. Für dieses Tutorial haben wir einen Beispieldatensatz aus dem [UCI Machine Learning Repository](http://archive.ics.uci.edu/ml/) abgerufen, ihn so formatiert, dass er den Amazon ML-Richtlinien entspricht, und ihn Ihnen zum Herunterladen zur Verfügung gestellt. Laden Sie den Datensatz von unserem Amazon Simple Storage Service (Amazon S3) -Speicherort herunter und laden Sie ihn in Ihren eigenen S3-Bucket hoch, indem Sie die Verfahren in diesem Thema befolgen.
Informationen zu den Formatierungsanforderungen von Amazon ML finden Sie unter[Das Datenformat für Amazon ML verstehen](understanding-the-data-format-for-amazon-ml.md).
**Vorgehensweise zum Herunterladen der Datensätze**
1. Laden Sie die Datei mit den Verlaufsdaten für Kunden herunter, die Produkte ähnlich Ihrer Banktermineinlage gekauft haben, indem Sie auf [banking.zip](samples/banking.zip) klicken. Entpacken Sie den Ordner und speichern Sie die Datei banking.csv-Datei auf Ihrem Computer.
1. Sie laden die Datei, mit der Sie vorhersagen können, ob potenzielle Kunden auf Ihr Angebot reagieren, durch Klicken auf [banking-batch.zip](samples/banking-batch.zip) herunter. Entpacken Sie den Ordner und speichern Sie die Datei banking-batch.csv auf Ihrem Computer.
1. Öffnen Sie `banking.csv`. Sie sehen Zeilen und Spalten mit Daten. Die *Kopfzeile* enthält die Attributnamen für jede Spalte. Ein *Attribut* ist eine eindeutige, benannte Eigenschaft, die ein bestimmtes Merkmal der einzelnen Kunden beschreibt. So gibt nr\$1employed beispielsweise den Anstellungsstatus des Kunden an. Jede Zeile stellt die Sammlung von Beobachtungen zu einem einzelnen Kunden dar.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image1.png)
Sie möchten, dass Ihr ML-Modell die Frage "Wird dieser Kunde mein neues Produkt abonnieren?" beantwortet. Im `banking.csv`-Datensatz ist die Antwort auf diese Frage das Attribut **y**, welches einen Wert von 1 (für "Ja") oder 0 (für "Nein") enthält. Das Attribut, dessen Vorhersage Amazon ML lernen soll, wird als *Zielattribut* bezeichnet.
**Anmerkung**
Das Attribut **y** ist ein binäres Attribut. Es kann nur einen von zwei Werten enthalten, in diesem Fall 0 oder 1. Im ursprünglichen UCI-Datensatz ist das **y**-Attribut entweder "Yes" (Ja) oder "No" (Nein). Wir haben den ursprünglichen Datensatz für Sie bearbeitet. Alle Werte des Attributs **y**, die für "Ja" stehen, sind jetzt 1, und alle Werte, die für "Nein" stehen, sind jetzt 0. Wenn Sie Ihre eigenen Daten verwenden, können Sie andere Werte für ein binäres Attribut verwenden. Weitere Informationen zu gültigen Werten finden Sie unter [Verwenden des Felds AttributeType](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
Die folgenden Beispiele zeigen die Daten bevor und nachdem wir die Werte in Attribut **y** in die binären Attribute 0 und 1 geändert haben.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image2.png)
![\[Partial view of a CSV file showing banking data with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image3.png)
Die `banking-batch.csv`-Datei enthält das **y**-Attribut nicht. Nachdem Sie ein ML-Modell erstellt haben, werden Sie das Modell zur Voraussage von **y** für jeden Datensatz in dieser Datei verwenden.
Laden Sie als Nächstes die `banking-batch.csv` Dateien `banking.csv ` und auf Amazon S3 hoch.
**Um die Dateien an einen Amazon S3 S3-Speicherort hochzuladen**
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon S3 S3-Konsole unter [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Erstellen Sie in der Liste **All Buckets** (Alle Buckets) einen Bucket oder wählen Sie den Speicherort aus, an dem Sie die Dateien hochladen möchten.
1. Wählen Sie in der Navigationsleiste die Option **Hochladen** aus.
1. Wählen Sie **Add Files (Dateien hinzufügen)** aus.
1. Navigieren Sie im Dialogfeld zu Ihrem Desktop, wählen Sie `banking.csv` und `banking-batch.csv` aus und klicken Sie dann auf **Öffnen**.
Jetzt können Sie Ihre [Schulungsdatenquelle erstellen](step-2-create-a-datasource.md).
# Schritt 2: Erstellen einer Schulungsdatenquelle
Nachdem Sie den `banking.csv` Datensatz an Ihren Amazon Simple Storage Service (Amazon S3) -Standort hochgeladen haben, verwenden Sie ihn, um eine Trainingsdatenquelle zu erstellen. Eine Datenquelle ist ein Amazon Machine Learning-Objekt (Amazon ML), das den Speicherort Ihrer Eingabedaten und wichtige Metadaten zu Ihren Eingabedaten enthält. Amazon ML verwendet die Datenquelle für Operationen wie das Training und die Evaluierung von ML-Modellen.
Geben Sie Folgendes an, um eine Datenquelle zu erstellen:
+ Der Amazon S3 S3-Speicherort Ihrer Daten und die Erlaubnis, auf die Daten zuzugreifen
+ Das Schema, das die Namen der Attribute in den Daten und den Typ der einzelnen Attribute (numerisch, Text, kategorisch oder Binary) enthält
+ Der Name des Attributs, das die Antwort enthält, deren Vorhersage Amazon ML lernen soll, das Zielattribut
**Anmerkung**
Die Datenquelle speichert Ihre Daten nicht, sondern verweist nur darauf. Vermeiden Sie es, die in Amazon S3 gespeicherten Dateien zu verschieben oder zu ändern. Wenn Sie sie verschieben oder ändern, kann Amazon ML nicht auf sie zugreifen, um ein ML-Modell zu erstellen, Bewertungen zu generieren oder Prognosen zu generieren.
**Vorgehensweise zum Erstellen der Schulungsdatenquelle**
1. Öffnen Sie die Amazon Machine Learning Learning-Konsole unter [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Wählen Sie **Erste Schritte**.
**Anmerkung**
In diesem Tutorial wird davon ausgegangen, dass Sie Amazon ML zum ersten Mal verwenden. Wenn Sie Amazon ML schon einmal verwendet haben, können Sie die Option **Neues erstellen...** verwenden. Drop-down-Liste im Amazon ML-Dashboard, um eine neue Datenquelle zu erstellen.
1. Wählen Sie auf der Seite **Erste Schritte mit Amazon Machine Learning** die Option **Launch** aus.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/get-started-launch.png)
1. Stellen Sie auf der Seite **Eingabedaten** sicher, dass bei **Where is your data located**? (Wo befinden sich Ihre Daten?) die Option **S3** ausgewählt ist.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image5.png)
1. Geben Sie bei **S3 Location** (S3-Speicherort) den vollständigen Pfad zur `banking.csv `-Datei aus Schritt 1 "Vorbereitung Ihrer Daten" ein. Beispiel: *your-bucket***/banking.csv**. Amazon ML stellt Ihrem Bucket-Namen für Sie s3://voran.
1. Geben Sie bei **Datenquellenname** den Wert**Banking Data 1** ein.
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image6.png)
1. Wählen Sie **Überprüfen**.
1. Klicken Sie im Dialogfeld **S3 permissions** (S3-Berechtigungen) auf **Ja**.
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image7.png)
1. Wenn Amazon ML auf die Datendatei am S3-Standort zugreifen und sie lesen kann, wird eine Seite ähnlich der folgenden angezeigt. Überprüfen Sie die Eigenschaften und wählen Sie dann **Weiter** aus.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image8.png)
Als Nächstes erstellen Sie ein Schema. Ein *Schema* ist die Information, die Amazon ML benötigt, um die Eingabedaten für ein ML-Modell zu interpretieren, einschließlich der Attributnamen und der ihnen zugewiesenen Datentypen sowie der Namen spezieller Attribute. Es gibt zwei Möglichkeiten, Amazon ML ein Schema zur Verfügung zu stellen:
+ Geben Sie eine separate Schemadatei an, wenn Sie Ihre Amazon S3 S3-Daten hochladen.
+ Erlauben Sie Amazon ML, die Attributtypen abzuleiten und ein Schema für Sie zu erstellen.
In diesem Tutorial bitten wir Amazon ML, das Schema abzuleiten.
Weitere Informationen zum Erstellen einer separaten Schemadatei finden Sie unter [Erstellen eines Datenschemas für Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Damit Amazon ML das Schema ableiten kann**
1. Auf der **Schemaseite** zeigt Ihnen Amazon ML das Schema, das es abgeleitet hat. Überprüfen Sie die Datentypen, die Amazon ML für die Attribute abgeleitet hat. Es ist wichtig, dass den Attributen der richtige Datentyp zugewiesen wird, damit Amazon ML die Daten korrekt aufnehmen kann und die korrekte Feature-Verarbeitung der Attribute ermöglicht wird.
+ Attribute, für die es nur zwei mögliche Status gibt wie "Ja" oder "Nein", sollten als **Binary** markiert werden.
+ Attribute, die Zahlen oder Zeichenfolgen zur Kennzeichnung einer Kategorie sind, sollten als **Categorical** markiert werden.
+ Attribute, die numerischen Mengen sind und bei denen die Reihenfolge wichtig ist, sollten als **Numeric** markiert werden.
+ Attribute, die Zeichenfolgen sind und als durch Leerzeichen getrennte Wörter gehandhabt werden sollen, sollten als **Text** markiert werden.
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image10.png)
1. In diesem Tutorial hat Amazon ML die Datentypen für alle Attribute korrekt identifiziert. Wählen Sie also **Weiter**.
Wählen Sie als Nächstes ein Zielattribut aus.
Denken Sie daran, dass das Zielattribut das Attribut ist, dessen Voraussage das ML-Modell lernen soll. Attribut **y** gibt an, ob eine Person in der Vergangenheit eine Kampagne abonniert hat: 1 (Ja) oder 0 (Nein).
**Anmerkung**
Wählen Sie ein Zielattribut nur aus, wenn Sie die Datenquelle für die Schulung und Evaluierung von ML-Modellen verwenden werden.
**Vorgehensweise zum Auswählen von y als Zielattribut**
1. Klicken Sie unten rechts in der Tabelle auf den einzelnen Pfeil, um zur letzten Seite der Tabelle zu gelangen, auf der das Attribut `y` angezeigt wird.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image11.png)
1. Wählen Sie in der Spalte **Ziel** den Wert `y` aus.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image12.png)
Amazon ML bestätigt, dass **y** als Ihr Ziel ausgewählt ist.
1. Klicken Sie auf **Weiter**.
1. Vergewissern Sie sich, dass auf der Seite **Zeilen-ID** bei **Does your data contain an identifier?** (Enthalten Ihre Daten eine ID?) die Standardeinstellung **Nein** ausgewählt ist.
1. Klicken Sie auf **Review** und dann auf **Continue**.
Nun, da Sie eine Schulungsdatenquelle haben, können Sie [Ihr Modell erstellen](step-3-create-an-ml-model.md).
# Schritt 3: Erstellen eines ML-Modells
Nachdem Sie die Schulungsdatenquelle erstellt haben, können Sie diese verwenden, um ein ML-Modell zu erstellen, das Modell zu schulen und die Ergebnisse auszuwerten. Das ML-Modell ist eine Sammlung von Mustern, die Amazon ML während des Trainings in Ihren Daten findet. Sie verwenden das Modell, um Voraussagen zu erstellen.
**Erstellen eines ML-Modells**
1. Da der Assistent „Erste Schritte“ sowohl eine Trainingsdatenquelle als auch ein Modell erstellt, verwendet Amazon Machine Learning (Amazon ML) automatisch die Trainingsdatenquelle, die Sie gerade erstellt haben, und leitet Sie direkt zur Seite mit den **ML-Modelleinstellungen** weiter. Stellen Sie auf der Seite **ML-Modelleinstellungen** sicher, dass für **ML-Modellname** der Standardname **ML model: Banking Data 1** angezeigt wird.
Verwenden Sie einen benutzerfreundlichen Namen, wie z. B. den Standardnamen, damit Sie das ML-Modell leicht identifizieren und verwalten können.
1. Stellen Sie sicher, dass in den **Schulungs- und Auswertungseinstellungen** der Wert **Standard** ausgewählt ist.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image19.png)
1. Bestätigen Sie für **Diese Auswertung benennen** die Standardeinstellung **Evaluation: ML model: Banking Data 1**.
1. Wählen Sie **Prüfen**, überprüfen Sie die Einstellungen und klicken Sie dann auf **Beenden**.
Nachdem Sie „**Fertig stellen**“ ausgewählt haben, fügt Amazon ML Ihr Modell der Verarbeitungswarteschlange hinzu. Wenn Amazon ML Ihr Modell erstellt, wendet es die Standardeinstellungen an und führt die folgenden Aktionen aus:
+ Die Schulungsdatenquelle wird in zwei Abschnitte aufgeteilt, von denen einer 70 % der Daten und der andere die verbleibenden 30 % enthält.
+ Schult das ML-Modell im Abschnitt, der 70 % der Eingabedaten enthält
+ Wertet das Modell mit den verbleibenden 30 % der Eingabedaten aus
Solange sich Ihr Modell in der Warteschlange befindet, meldet Amazon ML den Status als **Ausstehend**. Während Amazon ML Ihr Modell erstellt, meldet es den Status „**In Bearbeitung**“. Wenn alle Aktionen abgeschlossen wurden, meldet es den Status als **Abgeschlossen**. Warten Sie, bis die Auswertung abgeschlossen wurde, bevor Sie fortfahren.
Sie können jetzt [die Leistung Ihres Modells überprüfen und eine Grenzwertpunktzahl festlegen](step-4-review-model-and-set-cutoff.md).
Weitere Informationen zu Schulungs- und Auswertungsmodellen finden Sie unter [Schulung von ML-Modellen](training-ml-models.md) und [Evaluation von ML-Modellen](evaluating_models.md).
# Schritt 4: Überprüfen der Voraussageleistung des ML-Modells und Festlegen eines Punktzahlschwellenwerts
Nachdem Sie Ihr ML-Modell erstellt haben und Amazon Machine Learning (Amazon ML) es bewertet hat, wollen wir sehen, ob es gut genug ist, um es zu verwenden. Während der Evaluierung berechnete Amazon ML eine branchenübliche Qualitätsmetrik, die sogenannte Area Under a Curve (AUC) -Metrik, die die Leistungsqualität Ihres ML-Modells ausdrückt. Amazon ML interpretiert auch die AUC-Metrik, um Ihnen mitzuteilen, ob die Qualität des ML-Modells für die meisten Machine-Learning-Anwendungen ausreichend ist. (Weitere Informationen zur AUC finden Sie unter [Messung der ML-Modellgenauigkeit](binary-model-insights.md#measuring-ml-model-accuracy).) Betrachten wir nun die AUC-Metrik näher, und passen wir den Grenzwert an, um die Voraussageleistung Ihres Modells zu optimieren.
**So überprüfen Sie die AUC-Metrik Ihres ML-Modells**
1. Wählen Sie auf der Seite **ML-Modell-Übersicht** im Navigationsfenster **ML-Modell-Bericht** die Option **Auswertungen** und anschließend die Optionen **Evaluation: ML-Modell: Banking-Modell 1** und **Zusammenfassung**.
1. Prüfen Sie auf der Seite **Auswertungszusammenfassung** die Auswertungszusammenfassung einschließlich der AUC-Leistungsmetrik des Modells.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image24.png)
Das ML-Modell erzeugt für jeden Datensatz in einer Voraussagedatenquelle eine numerische Voraussage und wendet dann einen Grenzwert an, um diese Punktzahlen in binäre Kennzeichnungen von 0 (für Nein) und 1 (für Ja) zu konvertieren. Durch das Ändern des *Punktzahlgrenzwerts* können Sie anpassen, wie das ML-Modell diese Kennzeichnungen zuweist. Legen Sie nun den Punktzahlgrenzwert fest.
**So legen Sie einen Punktzahlgrenzwert für Ihr ML-Modell fest**
1. Wählen Sie auf der Seite **Auswertungszusammenfassung** die Option **Punktzahlgrenzwert anpassen.**
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image25.png)
Sie können die Leistungsmetriken Ihres ML-Modells einstellen, indem Sie den Punktzahlgrenzwert anpassen. Durch die Anpassung dieses Wertes ändert sich das Vertrauen, dass das Modell in eine Voraussage haben muss, bevor es die Voraussage als positiv erachtet. Außerdem ändert sich, wie viele Falschmeldungen Sie in Ihren Voraussagen tolerieren.
Sie können den Grenzwert für eine positive Voraussage kontrollieren, indem Sie den Punktzahlgrenzwert erhöhen, bis nur die Voraussagen als positiv erachtet werden, die am wahrscheinlichsten echte positive Voraussagen sind. Sie können den Punktzahlgrenzwert auch so weit reduzieren, bis keine negativen Falschmeldungen mehr auftreten. Wählen Sie Ihren Grenzwert entsprechend Ihren betrieblichen Anforderungen. Für dieses Tutorial kostet jede positive Falschmeldung das Unternehmen Geld; wir möchten also ein möglichst hohes Verhältnis von positiven zu negativen Falschmeldungen.
1. Angenommen, Sie möchten die obersten 3 % der Kunden berücksichtigen, die das Produkt abonnieren werden. Verschieben Sie den vertikalen Selektor so, dass der Wert des Punktzahlgrenzwerts **3 % der als "1" vorhergesagten Datensätze** entspricht.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image26.png)
Beachten Sie die Auswirkungen dieses Punktzahlgrenzwerts auf die Leistung des ML-Modells: Die Rate der positiven Falschmeldungen beträgt 0,007. Angenommen, diese Rate ist akzeptabel.
1. Wählen Sie **Punktzahlgrenzwert bei 0,77 speichern**.
Jedes Mal, wenn Sie dieses ML-Modell nutzen, um Voraussagen zu machen, werden Datensätze mit Punktzahlen über 0,77 als "1" und der Rest der Datensätze als "0" gekennzeichnet.
Weitere Informationen zum Punktzahlgrenzwert finden Sie unter [Binäre Klassifikation](binary-classification.md).
Jetzt können Sie [Mit dem Modell Voraussagen erstellen](step-5-create-predictions.md).
# Schritt 5: Verwenden des ML-Modells zum Generieren von Voraussagen
Amazon Machine Learning (Amazon ML) kann zwei Arten von Vorhersagen generieren: Batch- und Echtzeitvorhersagen.
Eine *Echtzeitprognose* ist eine Vorhersage für eine einzelne Beobachtung, die Amazon ML bei Bedarf generiert. Echtzeitvoraussagen sind ideal für mobile Apps, Websites und andere Anwendungen, die Ergebnisse interaktiv verwenden sollen.
Eine *Batch-Vorhersage* ist eine Reihe von Vorhersagen für eine Gruppe von Beobachtungen. Amazon ML verarbeitet die Datensätze in einer Batch-Vorhersage zusammen, sodass die Verarbeitung einige Zeit in Anspruch nehmen kann. Verwenden Sie Stapelvoraussagen für Anwendungen, die Voraussagen für Gruppen von Beobachtungen benötigen oder Voraussagen, die Ergebnisse nicht interaktiv verwenden.
Für dieses Tutorial generieren Sie eine Echtzeit-Voraussage, die vorhersagt, ob ein potenzieller Kunde das neue Produkt abonnieren wird. Zudem können Sie Voraussagen für einen großen Batch potenzieller Kunden generieren. Für die Stapelvoraussage verwenden Sie die Datei `banking-batch.csv`, die Sie in [Schritt 1: Vorbereitung Ihrer Daten](step-1-download-edit-and-upload-data.md) hochgeladen haben.
Lassen Sie uns mit einer Echtzeitvoraussage beginnen.
**Anmerkung**
Für Anwendungen, die Echtzeitvoraussagen erfordern, müssen Sie einen Echtzeit-Endpunkt für das ML-Modell erstellen. Es fallen Kosten für Sie an, während ein Echtzeit-Endpunkt verfügbar ist. Bevor Sie Echtzeitvoraussagen tatsächlich nutzen und dabei Kosten anfallen, können Sie die Echtzeitvoraussage-Funktion testweise in Ihrem Web-Browser verwenden, ohne Echtzeit-Endpunkt. Das reicht für dieses Tutorial aus.
**So testen Sie eine Echtzeitvoraussage**
1. Klicken Sie im Navigationsbereich **ML model report** auf **Try real-time predictions**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Wählen Sie **Paste a record** aus.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/paste-a-record.png)
1. Fügen Sie im Dialogfeld **Paste a record** die folgende Beobachtung ein:
```
32,services,divorced,basic.9y,no,unknown,yes,cellular,dec,mon,110,1,11,0,nonexistent,-1.8,94.465,-36.1,0.883,5228.1
```
1. Wählen **Sie im Dialogfeld Datensatz einfügen** die Option **Senden** aus, um zu bestätigen, dass Sie eine Vorhersage für diese Beobachtung generieren möchten. Amazon ML füllt die Werte in das Echtzeit-Prognoseformular ein.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/value-column.png)
**Anmerkung**
Sie können auch die **Wert**-Felder auffüllen, indem Sie einzelne Werte eingeben. Unabhängig von der Methode, die Sie auswählen, sollten Sie eine Beobachtung bereitstellen, die nicht zur Modellschulung verwendet wurde.
1. Klicken Sie unten auf der Seite auf **Create prediction**.
Die Voraussage wird im Bereich **Prediction results** auf der rechten Seite angezeigt. Diese Voraussage hat eine **Predicted** (Voraussage)-Kennung von `0`, was bedeutet, dass diese potenziellen Kunden wahrscheinlich nicht auf die Kampagne antworten. Eine **Predicted** (Voraussage)-Kennung von `1` würde bedeuten, dass der Kunde wahrscheinlich auf die Kampagne antwortet.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/real-time-result.png)
Erstellen Sie nun eine Stapelvoraussage. Sie geben Amazon ML den Namen des von Ihnen verwendeten ML-Modells, den Amazon Simple Storage Service (Amazon S3) -Speicherort der Eingabedaten, für die Sie Prognosen generieren möchten (Amazon ML erstellt aus diesen Daten eine Batch-Prognose-Datenquelle) und den Amazon S3-Speicherort zum Speichern der Ergebnisse.
**So erstellen Sie eine Stapelvoraussage**
1. Wählen Sie **Amazon Machine Learning** und dann **Stapelvoraussagen** aus.
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image29.png)
1. Wählen Sie **Create new batch prediction**.
1. Klicken Sie auf der Seite **ML model for batch predictions** (ML-Modell für Stapelvoraussagen) auf **ML model: Banking Data 1**.
Amazon ML zeigt den ML-Modellnamen, die ID, die Erstellungszeit und die zugehörige Datenquellen-ID an.
1. Klicken Sie auf **Weiter**.
1. Um Prognosen zu generieren, müssen Sie Amazon ML die Daten bereitstellen, für die Sie Prognosen benötigen. Diese werden als *Eingabedaten* bezeichnet. Fügen Sie zunächst die Eingabedaten in eine Datenquelle ein, damit Amazon ML darauf zugreifen kann.
Wählen Sie unter **Locate the input data** (Eingabedaten lokalisieren) die Option **My data is in S3, and I need to create a datasource** (Meine Daten befinden sich in S3 und ich muss eine Datenquelle erstellen).
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image31.png)
1. Geben Sie bei **Datenquellenname** den Wert**Banking Data 2** ein.
1. Geben Sie für **S3 Location** den vollständigen Speicherort der `banking-batch.csv` Datei ein:. *your-bucket* **/banking-batch.csv**
1. Legen Sie für **Does the first line in your CSV contain the column names?** (Enthält die erste Zeile Ihrer CSV-Datei die Spaltennamen?) den Wert **Ja** fest.
1. Wählen Sie **Überprüfen**.
Amazon ML validiert den Speicherort Ihrer Daten.
1. Klicken Sie auf **Weiter**.
1. Geben Sie als **S3-Ziel** den Namen des Amazon S3 S3-Speicherorts ein, in den Sie die Dateien in Schritt 1: Vorbereiten Ihrer Daten hochgeladen haben. Amazon ML lädt die Prognoseergebnisse dort hoch.
1. Akzeptieren Sie für **den Namen der Batch-Vorhersage** die Standardeinstellung**Batch prediction: ML model: Banking Data 1**. Amazon ML wählt den Standardnamen auf der Grundlage des Modells, das für die Erstellung von Prognosen verwendet wird. In diesem Tutorial wird das Modell sowie die Voraussagen nach dem Namen Schulungsdatenquelle benannt: `Banking Data 1`.
1. Wählen Sie **Überprüfen** aus.
1. Klicken Sie im Dialogfeld **S3 permissions** (S3-Berechtigungen) auf **Ja**.
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image32.png)
1. Klicken Sie auf der Seite **Prüfen** auf **Beenden**.
Die Anfrage zur Batch-Vorhersage wird an Amazon ML gesendet und in eine Warteschlange aufgenommen. Die Zeit, die Amazon ML benötigt, um eine Batch-Vorhersage zu verarbeiten, hängt von der Größe Ihrer Datenquelle und der Komplexität Ihres ML-Modells ab. Während Amazon ML die Anfrage bearbeitet, meldet es den Status **In Bearbeitung**. Nachdem die Stapelvoraussage abgeschlossen ist, ändert sich der Status der Anforderung in **Abgeschlossen**. Jetzt können Sie die Ergebnisse anzeigen.
**So zeigen Sie die Voraussagen an**
1. Wählen Sie **Amazon Machine Learning** und dann **Stapelvoraussagen** aus.
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image33.png)
1. Wählen Sie in der Liste der Voraussagen **Batch prediction: ML model: Banking Data 1**. Die Seite **Batch prediction info** (Informationen zur Stapelvoraussage) wird angezeigt.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image34.png)
1. Um die Ergebnisse der Batch-Vorhersage einzusehen, gehen Sie zur Amazon S3 S3-Konsole unter [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)und navigieren Sie zu dem Amazon S3 S3-Speicherort, auf den im Feld **Output S3-URL** verwiesen wird. Von dort navigieren Sie zum Ergebnisordner, der etwa folgenden Namen hat: `s3://aml-data/batch-prediction/result`.
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image35.png)
Die Voraussage Schlüssel wird in einer komprimierten gzip-Datei mit der Erweiterung .gz gespeichert.
1. Laden Sie die Voraussagedatei auf Ihren Desktop herunter, wo Sie sie entpacken und öffnen können.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image36.png)
Die Datei verfügt über zwei Spalten: **bestAnswer** und **score**, sowie eine Zeile für jede Beobachtung in der Datenquelle. Die Ergebnisse in der Spalte **bestAnswer** basieren auf dem Punktzahlgrenzwert von 0,77, den Sie in [Schritt 4: Überprüfen der Voraussageleistung des ML-Modells und Festlegen eines Punktzahlschwellenwerts](step-4-review-model-and-set-cutoff.md) festgelegt haben. Eine **Punktzahl** größer als 0,77 führt zu einer **bestAnswer** von 1. Dabei handelt es sich um eine positive Antwort oder Voraussage. Eine **Punktzahl** von weniger als 0,77 ergibt als **bestAnswer** 0. Dabei handelt es sich um eine negative Antwort oder Voraussage.
Die folgenden Beispiele zeigen positive und negative Voraussagen basierend auf den Schwellenwert von 0,77.
Positive Voraussage:
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image37.png)
In diesem Beispiel beträgt der Wert für **bestAnswer** 1 und die **Punktzahl** ist 0,8228876. Der Wert für **bestAnswer** ist 1, da die **Punktzahl** größer als der Schwellenwert von 0,77 ist. Eine **bestAnswer** von 1 gibt an, dass der Kunde Ihr Produkt wahrscheinlich kaufen wird, und ist somit eine positive Voraussage.
Negative Voraussage:
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/de_de/machine-learning/latest/dg/images/image38.png)
In diesem Beispiel ist der Wert von **bestAnswer** 0, da die **Punktzahl** 0,7695356 ist und somit unter dem Schwellenwert von 0,77 liegt. Die **bestAnswer** 0 gibt an, dass der Kunden Ihr Produkt wahrscheinlich nicht kaufen wird, und ist somit eine negative Voraussage.
Jede Zeile des Stapelergebnisses entspricht einer Zeile in Ihrer Stapeleingabe (einer Beobachtung in Ihrer Datenquelle).
Nach der Analyse der Voraussagen können Sie die gewünschte Marketing-Kampagne durchführen, indem Sie z. B. allen mit einer vorausgesagten Punktzahl von `1` einen Flyer schicken.
Nachdem Sie Ihr Modell erstellt, geprüft und verwendet haben, [bereinigen Sie die erstellten Daten und AWS-Ressourcen](step-6-clean-up.md), um zu vermeiden, dass hierfür unnötige Gebühren anfallen, und damit Ihr Arbeitsbereich übersichtlich bleibt.
# Schritt 6: Aufräumen
Um zu vermeiden, dass zusätzliche Gebühren für Amazon Simple Storage Service (Amazon S3) anfallen, löschen Sie die in Amazon S3 gespeicherten Daten. Andere ungenutzte Amazon ML-Ressourcen werden Ihnen nicht in Rechnung gestellt. Wir empfehlen Ihnen jedoch, diese zu löschen, um Ihren Workspace sauber zu halten.
**Um die in Amazon S3 gespeicherten Eingabedaten zu löschen**
1. Öffnen Sie die Amazon S3 S3-Konsole unter [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Navigieren Sie zu dem Amazon S3 S3-Speicherort, an dem Sie die `banking-batch.csv` Dateien `banking.csv` und gespeichert haben.
1. Wählen Sie die `banking.csv`-, `banking-batch.csv`- und `.writePermissionCheck.tmp`-Dateien aus.
1. Wählen Sie **Aktionen** und anschließend **Löschen** aus.
1. Wenn Sie zur Bestätigung aufgefordert werden, klicken Sie auf **OK**.
Es wird Ihnen zwar nicht in Rechnung gestellt, die Aufzeichnung der von Amazon ML ausgeführten Batch-Vorhersage oder der Datenquellen, des Modells und der Auswertung, die Sie während des Tutorials erstellt haben, zu führen, aber wir empfehlen Ihnen, diese zu löschen, um zu verhindern, dass Ihr Workspace überladen wird.
**Vorgehensweise zum Löschen von Stapelvoraussagen**
1. Navigieren Sie zu dem Amazon S3 S3-Speicherort, an dem Sie die Ausgabe der Batch-Vorhersage gespeichert haben.
1. Wählen Sie den Ordner `batch-prediction` aus.
1. Wählen Sie **Aktionen** und anschließend **Löschen** aus.
1. Wenn Sie zur Bestätigung aufgefordert werden, klicken Sie auf **OK**.
**Um die Amazon ML-Ressourcen zu löschen**
1. Wählen Sie im Amazon ML-Dashboard die folgenden Ressourcen aus.
+ Die `Banking Data 1`-Datenquelle
+ Die `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]`-Datenquelle
+ Die `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]`-Datenquelle
+ Die `Banking Data 2`-Datenquelle
+ Das `ML model: Banking Data 1`-ML-Modell
+ Die `Evaluation: ML model: Banking Data 1`-Evaluierung
1. Wählen Sie **Aktionen** und anschließend **Löschen** aus.
1. Klicken Sie im Dialogfeld auf **Delete**, um alle ausgewählten Ressourcen zu löschen.
Sie haben das Tutorial jetzt erfolgreich abgeschlossen. Informationen zur weiteren Verwendung der Konsole zur Erstellung von Datenquellen, Modellen und Prognosen finden Sie im [Amazon Machine Learning Developer Guide](https://docs.aws.amazon.com/machine-learning/latest/dg/). Weitere Informationen zur Verwendung der API finden Sie in der [Amazon Machine Learning-API-Referenz](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).