Ya no actualizamos el servicio Amazon Machine Learning ni aceptamos nuevos usuarios para él. Esta documentación está disponible para los usuarios actuales, pero ya no la actualizamos. Para obtener más información, consulte [Qué es Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Tutorial: Utilización de Amazon ML para predecir respuestas a una oferta de marketing
Con Amazon Machine Learning (Amazon ML), puede crear y entrenar modelos predictivos y alojar sus aplicaciones en una solución escalable en la nube. En este tutorial le mostramos cómo utilizar la consola de Amazon ML para crear una fuente de datos, crear un modelo de machine learning (ML) y utilizar el modelo para generar predicciones que podrá utilizar en sus aplicaciones.
Nuestro ejercicio de muestra ilustra cómo identificar posibles clientes para una campaña de marketing dirigida, pero puede aplicar los mismos principios para crear y utilizar una gran variedad de modelos de ML. Para completar el ejercicio de muestra, utilizará conjuntos de datos de banca y marketing disponibles públicamente que provienen de [University of California at Irvine (UCI) Machine Learning Repository](http://archive.ics.uci.edu/ml/datasets.php). Estos conjuntos de datos contienen información general acerca de los clientes, así como información sobre cómo respondieron a contactos de marketing anteriores. Utilizará estos datos para identificar qué clientes es más probable que se suscriban a su producto nuevo y un depósito de banco de términos, también conocido como certificado de depósito (CD).
**aviso**
Este tutorial no está incluido en la capa gratuita de AWS. Para obtener más información sobre los precios de Amazon ML, consulte [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Requisito previo
Para realizar el tutorial, necesita disponer de una cuenta de AWS. Si no dispone de una cuenta de AWS, consulte [Setting Up Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Steps
+ [Paso 1: prepare los datos](step-1-download-edit-and-upload-data.md)
+ [Paso 2: cree una fuente de datos de entrenamiento](step-2-create-a-datasource.md)
+ [Paso 3: Crear una modelo de ML](step-3-create-an-ml-model.md)
+ [Paso 4: Revisar el desempeño predictivo del modelo de ML y establecer un umbral de puntuación](step-4-review-model-and-set-cutoff.md)
+ [Paso 5: Uso del modelo de ML para generar predicciones](step-5-create-predictions.md)
+ [Paso 6: eliminación](step-6-clean-up.md)
# Paso 1: prepare los datos
En el aprendizaje automático, se suelen obtener los datos y asegurarse de que tienen el formato correcto antes de comenzar el proceso de entrenamiento. A efectos de este tutorial, hemos obtenido un conjunto de datos de muestra de [UCI Machine Learning Repository](http://archive.ics.uci.edu/ml/), les hemos dado formato para cumplir con las directrices de Amazon ML y los hemos puesto a disposición para que los descargue. Descargue el conjunto de datos desde nuestra ubicación de almacenamiento de Amazon Simple Storage Service (Amazon S3) y cárguelo a su propio bucket de S3 siguiendo los procedimientos de este tema.
Para los requisitos de formato de Amazon ML, consulte [Compresión del formato de datos de Amazon ML](understanding-the-data-format-for-amazon-ml.md).
**Descarga de los conjuntos de datos**
1. Descargue el archivo que contiene los datos históricos de los clientes que han adquirido productos similares a su depósito de banco de términos haciendo clic en [banking.zip](samples/banking.zip). Descomprima la carpeta y guarde el archivo banking.csv en su equipo.
1. Descargue el archivo que utilizará para predecir si los clientes potenciales responderán a su oferta haciendo clic en [banking-batch.zip](samples/banking-batch.zip). Descomprima la carpeta y guarde el archivo banking-batch.csv en su equipo.
1. Abra `banking.csv`. Verá filas y columnas de datos. La *fila de encabezado* contiene los nombres de atributo para cada columna. Un *atributo* es una propiedad con un nombre único que describe una característica particular de cada cliente; por ejemplo, "nr\$1employed" indica la situación profesional del cliente. Cada fila representa la colección de observaciones acerca de un único cliente.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image1.png)
Desea que su modelo de ML responda a la pregunta "¿Este cliente va a suscribirse a mi nuevo producto?". En el conjunto de datos `banking.csv`, la respuesta a esta pregunta es el atributo **y**, que contiene los valores 1 (para "sí") o 0 (para "no"). El atributo que desea que Amazon ML aprenda a predecir se conoce como el *atributo de destino*.
**nota**
El atributo **y** es un atributo binario. Puede contener solo uno de los dos valores; en este caso, 0 o 1. En el conjunto de datos de UCI original el atributo **y** es Sí o No. Hemos editado el conjunto de datos original. Todos los valores del atributo **y** que significan "sí" son 1 y todos los valores que significan "no" son 0. Si utiliza sus datos propios, puede utilizar otros valores para un atributo binario. Para obtener más información acerca de los valores válidos, consulte [Uso del AttributeType campo](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
Los siguientes ejemplos muestran los datos antes y después de que se cambiaran los valores del atributo **y** a los atributos binarios 0 y 1.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/es_es/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/es_es/machine-learning/latest/dg/images/image3.png)
El archivo `banking-batch.csv` no contiene el atributo **y**. Una vez que haya creado un modelo de ML, podrá utilizar el modelo para predecir **y** para cada registro en dicho archivo.
A continuación, cargue los archivos `banking.csv `y `banking-batch.csv` a Amazon S3.
**Carga de los archivos a una ubicación de Amazon S3**
1. Inicie sesión en la consola de Amazon S3 Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. En la lista **All Buckets (Todos los buckets)**, cree un bucket o elija la ubicación donde desee cargar los archivos.
1. En la barra de navegación, elija **Upload (Cargar)**.
1. Seleccione **Add Files (Añadir archivos)**.
1. En el cuadro de diálogo, diríjase al escritorio, elija `banking.csv` y `banking-batch.csv` y, a continuación, seleccione **Open (Abrir)**.
Ahora está preparado para [crear su origen de datos de entrenamiento](step-2-create-a-datasource.md).
# Paso 2: cree una fuente de datos de entrenamiento
Después de cargar el conjunto de datos de `banking.csv` a su ubicación de Amazon Simple Storage Service (Amazon S3), la utilizará para crear un origen de datos de entrenamiento. Una fuente de datos es un objeto de Amazon Machine Learning (Amazon ML) que contiene la ubicación de los datos de entrada y metadatos importantes sobre los datos de entrada. Amazon ML utiliza la fuente de datos para operaciones como el entrenamiento y la evaluación del modelo de ML.
Para crear una fuente de datos, proporcione los siguientes datos:
+ Ubicación de Amazon S3 de sus datos de y permisos para obtener acceso a ellos
+ El esquema, que incluye los nombres de los atributos en los datos y el tipo de cada atributo (Numeric, Text, Categorical o Binary)
+ El nombre del atributo que contiene la respuesta que desea que aprenda a predecir Amazon ML el atributo de destino
**nota**
La fuente de datos realmente no almacena sus datos, sino que solo les hace referencia. Evite mover o cambiar los archivos almacenados en Amazon S3. Si los mueve o los cambia, Amazon ML no puede obtener acceso a ellos para crear un modelo de ML, generar evaluaciones o generar predicciones.
**Creación de la fuente de datos de entrenamiento**
1. Abra la consola Amazon Machine Learning en [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Elija **Comenzar**.
**nota**
Este tutorial supone que es la primera vez que utiliza Amazon ML. Si ha usado Amazon ML antes, puede utilizar la lista desplegable **Crear nuevo…** en el panel de Amazon ML para crear un origen de datos nuevo.
1. En la página **Introducción a Amazon Machine Learning**, seleccione **Lanzar**.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/get-started-launch.png)
1. En la página **Input Data (Datos de entrada)**, para **Where is your data located? (¿Dónde están sus datos?)**, asegúrese de que está marcado **S3**.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image5.png)
1. Para **S3 Location (Ubicación de S3)**, escriba la ubicación completa del archivo `banking.csv `del paso 1: prepare los datos. Por ejemplo: *your-bucket***/banking.csv**. Amazon ML añade s3:// al nombre de su bucket por usted.
1. En **Datasource name (Nombre de origen de datos)**, escriba **Banking Data 1**.
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image6.png)
1. Seleccione **Verificar**.
1. En el cuadro de diálogo **S3 permissions (Permisos de S3)**, elija **Yes (Sí)**.
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image7.png)
1. Si Amazon ML puede obtener acceso al archivo de datos y leerlo en la ubicación de S3, verá una página similar a la siguiente. Revise las propiedades y, a continuación, elija **Continue (Continuar)**.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image8.png)
A continuación, establezca un esquema. Un *esquema* es la información que necesita Amazon ML para interpretar los datos de entrada de un modelo de ML, incluidos los nombres de los atributos y sus tipos de datos asignados, así como los nombres de los atributos especiales. Hay dos formas de proporcionar un esquema a Amazon ML:
+ Proporcione un archivo de esquema independiente al cargar los datos de Amazon S3.
+ Permitir que Amazon ML infiera los tipos de atributo y cree un esquema por usted.
En este tutorial, pediremos a Amazon ML que infiera el esquema.
Para obtener información sobre la creación de archivo de esquema independiente, consulte [Creación de un esquema de datos para Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Permisos para que Amazon ML infiera el esquema**
1. En la página **Esquema**, Amazon ML muestra el esquema que infirió. Revise los tipos de datos que ha inferido Amazon ML para los atributos. Es importante que los atributos estén señalados con el tipo de datos correcto para ayudar a que Amazon ML reciba los datos correctamente y habilitar el procesamiento de características correcto en los atributos.
+ Los atributos que solo tienen dos estados posibles, como sí o no, deberían estar marcados como **Binary (Binario)**.
+ Los atributos que son números o cadenas que se utilizan para denotar una categoría deberían estar marcados como **Categorical (Categórico)**.
+ Los atributos que son cantidades numéricas cuyo orden es relevante deberían estar marcados como **Numeric (Numérico)**.
+ Los atributos que son cadenas que desea tratar como palabras delimitadas por espacios deberían estar marcados como **Text (Texto)**.
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image10.png)
1. En este tutorial, Amazon ML ha identificado correctamente los tipos de datos para todos los atributos. Por lo tanto, seleccione **Continuar**.
A continuación, seleccione un atributo de destino.
Recuerde que el destino es el atributo que el modelo de ML debe aprender a predecir. El atributo **y** indica si un individuo se ha suscrito a una campaña en el pasado: 1 (sí) o 0 (no).
**nota**
Elija un atributo de destino solo si utilizará la fuente de datos para entrenar y evaluar modelos de ML.
**Selección de "y" como el atributo de destino**
1. En la parte inferior derecha de la tabla, elija la flecha simple para avanzar a la última página de la tabla, donde aparece el atributo con el nombre `y`.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image11.png)
1. En la columna **Target (Destino)**, seleccione `y`.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image12.png)
Amazon ML confirma que **y** está seleccionado en el destino.
1. Elija **Continuar**.
1. En la página **Row ID (ID de fila)**, en **Does your data contain an identifier? (Los datos contienen un identificador?)**, asegúrese de que está seleccionado **No**, el valor predeterminado.
1. Seleccione **Review (Revisar)** y, a continuación, **Continue (Continuar)**.
Ahora que tiene un origen de datos de entrenamiento, está listo para [crear su modelo](step-3-create-an-ml-model.md).
# Paso 3: Crear una modelo de ML
Una vez que haya creado la fuente de datos de formación, se utiliza para crear un modelo de ML, formar el modelo y, a continuación, evaluar los resultados. El modelo de ML es un conjunto de patrones que Amazon ML busca en sus datos durante la formación. El modelo se utiliza para crear predicciones.
**Para crear un modelo de ML**
1. Puesto que el asistente Get started crea un origen de datos de formación y un modelo, Amazon Machine Learning (Amazon ML) utiliza automáticamente el origen de datos de formación que acaba de crear y le lleva directamente a la página **Configuración de modelo de ML**. En la página **ML model settings (Configuración de modelo de ML)**, para **ML model name (Nombre de modelo de ML)**, asegúrese de que se muestra **ML model: Banking Data 1**, el valor predeterminado.
El uso de un nombre sencillo, como el predeterminado, le ayuda a identificar y administrar fácilmente el modelo de ML.
1. Para **Training and evaluation settings (Configuración de entrenamiento y evaluación)**, asegúrese de que se selecciona **Default (Predeterminado)**.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image19.png)
1. En **Name this evaluation (Asignar nombre a esta evaluación)**, acepte el valor predeterminado, **Evaluation: ML model: Banking Data 1**.
1. Elija **Review (Revisar)**, revise los ajustes y, a continuación, seleccione **Finish (Finalizar)**.
Después de seleccionar **Finalizar**, Amazon ML añade el modelo a la cola de procesamiento. Cuando Amazon ML crea el modelo, se aplica la configuración predeterminada y realiza las siguientes acciones:
+ Divide el origen de datos de entrenamiento en dos secciones, una que contiene el 70% de los datos y otra que contiene el 30% restante
+ Forma el modelo de ML en la sección que contiene el 70% de los datos de entrada
+ Evalúa el modelo mediante el 30% restante de los datos de entrada
Mientras el modelo está en la cola, Amazon ML informa del estado como **Pendiente**. Mientras Amazon ML crea el modelo, informa del estado como **En curso**. Cuando ha finalizado todas las acciones, informa del estado como **Completed (Completado)**. Espere a que finalice la evaluación antes de continuar.
Ahora ya está listo para [revisar el rendimiento del modelo y establecer un corte de puntuación](step-4-review-model-and-set-cutoff.md).
Para obtener más información acerca de los modelos de formación y evaluación, consulte [Entrenamiento de modelos de ML](training-ml-models.md) y [Evaluación de modelos de ML](evaluating_models.md).
# Paso 4: Revisar el desempeño predictivo del modelo de ML y establecer un umbral de puntuación
Ahora que ha creado el modelo de ML y Amazon Machine Learning (Amazon ML) lo ha evaluado, vamos a ver si es suficientemente bueno para ponerlo en práctica. Durante la evaluación, Amazon ML ha calculado una métrica de calidad estándar del sector, denominada métrica Area Under a Curve (AUC), que expresa la calidad del desempeño del modelo de ML. Amazon ML también interpreta la métrica AUC para indicarle si la calidad del modelo de ML es suficiente para la mayoría de las aplicaciones de machine learning. (Para obtener más información sobre AUC, consulte [Medición de la precisión del modelo de ML](binary-model-insights.md#measuring-ml-model-accuracy).) Vamos a revisar la métrica AUC y, a continuación, a ajustar el umbral o límite de puntuación para optimizar el desempeño predictivo del modelo.
**Revisar la métrica AUC del modelo de ML**
1. En la página **ML model summary (Resumen de modelos de ML)**, en el panel de navegación **ML model report (Informe de modelos de ML)**, seleccione **Evaluations (Evaluaciones)**, **Evaluation: ML model: Banking model 1 (Evaluación: modelo de ML: modelo bancario 1)** y, a continuación, **Summary (Resumen)**.
1. En la página **Evaluation summary (Resumen de evaluación)**, revise el resumen de la evaluación, incluida la métrica de desempeño de AUC del modelo.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image24.png)
El modelo de ML genera puntuaciones numéricas de predicciones para cada registro de una fuente de datos de predicciones y, a continuación, aplica un umbral para convertir estas puntuaciones en etiquetas binarias de 0 (para no) o 1 (para sí). Al cambiar el *umbral de puntuación*, puede ajustar la manera en la que el modelo de ML asigna estas etiquetas. A continuación, establezca el umbral de puntuación.
**Establecer un umbral de puntuación para el modelo de ML**
1. En la página **Evaluation Summary (Resumen de evaluación)**, seleccione **Adjust Score Threshold (Ajustas umbral de puntuación)**.
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image25.png)
Puede ajustar las métricas de desempeño del modelo de ML ajustando el umbral de puntuación. Ajustar este valor cambia el nivel de confianza que debe tener el modelo en una predicción antes de considerar que la predicción es positiva. También cambia la cantidad de falsos negativos y falsos positivos que está dispuesto a tolerar en sus predicciones.
Puede controlar el límite de lo que el modelo considera una predicción positiva incrementando el umbral de puntuación hasta que solo considere que las predicciones con más probabilidad de ser positivos reales son positivas. También puede reducir el umbral de puntuación hasta que deje de tener falsos negativos. Seleccione un límite para reflejar las necesidades de su empresa. En este tutorial, cada falso positivo cuesta dinero de campaña, por lo que queremos una proporción alta de positivos reales respecto a falsos positivos.
1. Digamos que desea dirigirse al primer 3% de clientes que se suscribirán al producto. Deslice el selector vertical para establecer el umbral de puntuación en un valor que corresponda a **3% of the records are predicted as "1" (3% de los registros están previstos como "1")**.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image26.png)
Observe el impacto de este umbral de puntuación en el rendimiento del modelo de ML: la tasa de falsos positivos es de 0,007. Supongamos que esa proporción de falsos positivos es aceptable.
1. Seleccione **Save score threshold at 0.77 (Guardar umbral de puntuación en 0,77)**.
Cada vez que usa este modelo de ML para realizar predicciones, predecirá los registros con puntuaciones superiores al 0,77 como "1", y el resto de los registros como "0".
Para obtener más información sobre el umbral de puntuación, consulte [Clasificación binaria](binary-classification.md).
Ahora está preparado para [generar predicciones utilizando un modelo](step-5-create-predictions.md).
# Paso 5: Uso del modelo de ML para generar predicciones
Amazon Machine Learning (Amazon ML) puede generar dos tipos de predicciones: por lotes y en tiempo real.
Una *predicción en tiempo real* es una predicción para una única observación que Amazon ML genera bajo demanda. Las predicciones en tiempo real son ideales para aplicaciones móviles, sitios web y otras aplicaciones que necesitan utilizar los resultados de forma interactiva.
Una *predicción por lotes* es un conjunto de predicciones para un grupo de observaciones. Amazon ML procesa los registros en una predicción por lotes conjuntamente, por lo que el procesamiento puede tardar un tiempo. Utilice las predicciones por lote para aplicaciones que requieren predicciones para un conjunto de observaciones o predicciones que no utilicen los resultados de forma interactiva.
En este tutorial, generará una predicción en tiempo real que prediga si un cliente potencial se suscribirá al nuevo producto. Asimismo, generará predicciones para un gran lote de clientes potenciales. Para la predicción por lotes, se utilizará el archivo `banking-batch.csv` que ha cargado en el [Paso 1: prepare los datos](step-1-download-edit-and-upload-data.md).
Empecemos con una predicción en tiempo real.
**nota**
Para las aplicaciones que requieren predicciones en tiempo real, debe crear un punto de enlace en tiempo real para el modelo de ML. Se acumulan cargos mientras se encuentra disponible un punto de enlace en tiempo real. Antes de comprometerse a utilizar las predicciones en tiempo real y empezar a incurrir en el costo derivado de las mismas, puede probar a utilizar la característica de predicción en tiempo real en el navegador web, sin necesidad de crear un punto de enlace en tiempo real. Eso es lo que vamos a hacer para este tutorial.
**Probar una predicción en tiempo real**
1. En el panel de navegación **ML model report**, seleccione **Try real-time predictions**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Elija **Paste a record**.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/paste-a-record.png)
1. En el cuadro de diálogo **Paste a record**, pegue la siguiente observación:
```
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. En el cuadro de diálogo **Pegar un registro**, elija **Enviar** para confirmar que desea generar una predicción para esta observación. Amazon ML rellena los valores en el formulario de predicciones en tiempo real.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/value-column.png)
**nota**
También puede rellenar los campos **Value (Valor)** escribiendo los valores individuales. Independientemente del método que elija, debe proporcionar una observación que no se haya utilizado para formar el modelo.
1. En la parte inferior de la página, elija **Create prediction**.
La predicción aparece en el panel **Prediction results** a la derecha. Esta predicción tiene una **Predicted label** de `0`, lo que significa que no es probable que este cliente potencial responda a la campaña. Una **Predicted label (Etiqueta predicha)** de `1` significaría que el cliente posiblemente responda a la campaña.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/real-time-result.png)
Ahora, cree una predicción por lotes. Proporcionará a Amazon ML el nombre del modelo de ML que está usando, la ubicación de Amazon Simple Storage Service (Amazon S3) de los datos de entrada para los que desea generar predicciones (Amazon ML creará un origen de datos de predicciones por lotes a partir de estos datos) y la ubicación de Amazon S3 para almacenar los resultados.
**Para crear una predicción por lotes**
1. Elija **Amazon Machine Learning** y, a continuación, elija **Batch Predictions (Predicciones por lotes)**.
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image29.png)
1. Elija **Create new batch prediction (Crear nueva predicción por lotes)**.
1. En la página **ML model for batch predictions (Modelo de ML para predicciones por lotes)**, elija **ML model: Banking Data 1 (Modelo de ML: datos bancarios 1)**.
Amazon ML muestra el nombre del modelo de ML, el ID, la hora de creación y el ID de la fuente de datos asociada.
1. Elija **Continuar**.
1. Para generar predicciones, debe proporcionar a Amazon ML los datos para los que necesita predicciones. Estos se denominan *datos de entrada*. En primer lugar, coloque los datos de entrada en una fuente de datos de forma que Amazon ML pueda acceder a ellos.
Para **Locate the input data (Localizar los datos de entrada)**, elija **My data is in S3, and I need to create a datasource (Mis datos están en S3 y debo crear un origen de datos)**.
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image31.png)
1. En **Datasource name (Nombre de origen de datos)**, escriba **Banking Data 2**.
1. En **S3 Location**, escriba la ubicación completa del `banking-batch.csv` archivo: *your-bucket***/banking-batch.csv**.
1. En **Does the first line in your CSV contain the column names? (¿La primera línea del CSV contiene los nombres de columna?)**, elija **Yes (Sí)**.
1. Seleccione **Verificar**.
Amazon ML valida la ubicación de los datos.
1. Elija **Continuar**.
1. Para **Destino S3**, escriba el nombre de la ubicación de Amazon S3 donde ha cargado los archivos en el Paso 1: Preparación de sus datos. Amazon ML carga los resultados de la predicción ahí.
1. Para el **nombre de predicción por lotes**, acepte el valor predeterminado, **Batch prediction: ML model: Banking Data 1**. Amazon ML elige el nombre predeterminado en función del modelo que utilizará para crear predicciones. En este tutorial, el modelo y las previsiones se nombran según la fuente de datos de formación, `Banking Data 1`.
1. Elija **Revisar**.
1. En el cuadro de diálogo **S3 permissions (Permisos de S3)**, elija **Yes (Sí)**.
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image32.png)
1. En la página **Revisar**, elija **Finalizar**.
La solicitud de predicciones por lote se envía a Amazon ML y se introduce en una cola. El tiempo que tarda Amazon ML en procesar una predicción por lotes depende del tamaño de la fuente de datos y de la complejidad de su modelo de ML. Aunque Amazon ML procesa la solicitud, notifica el estado **En curso**. Después de que haya finalizado la predicción por lotes, el estado de la solicitud cambia a **Completed (Completado)**. Ahora puede ver los resultados.
**Para ver las predicciones**
1. Elija **Amazon Machine Learning** y, a continuación, elija **Batch Predictions (Predicciones por lotes)**.
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image33.png)
1. En la lista de predicciones, elija **Batch prediction: ML model: Banking Data 1 (Predicciones por lotes: modelo de ML: datos bancarios 1)**. Aparece la página **Batch prediction info (Información de predicción por lotes)**.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image34.png)
1. Para ver los resultados de la predicción de lotes, vaya a la consola de Amazon S3 en [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)y navegue hasta la ubicación de Amazon S3 a la que se hace referencia en el campo **URL de salida de S3**. A partir de ahí, desplácese hasta la carpeta de resultados, que tendrá un nombre similar a `s3://aml-data/batch-prediction/result`.
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image35.png)
La predicción se almacena en un archivo comprimido .gzip con la extensión .gz.
1. Descargue el archivo de predicción en el escritorio, descomprímalo y ábralo.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image36.png)
El archivo tiene dos columnas, **bestAnswer** y **score**, y una fila para cada una de las observaciones del origen de datos. Los resultados de la columna **bestAnswer** se basan en el umbral de puntuación de 0,77 que estableció en el [Paso 4: Revisar el desempeño predictivo del modelo de ML y establecer un umbral de puntuación](step-4-review-model-and-set-cutoff.md). Un valor de **score** superior a 0,77 genera una **bestAnswer** de 1, que es una respuesta o una predicción positiva, y un valor de **score** inferior a 0,77 genera una **bestAnswer** de 0, que es una respuesta o una predicción negativa.
Los siguientes ejemplos muestran predicciones positivas y negativas en función del umbral de puntuación de 0,77.
Predicción positiva:
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image37.png)
En este ejemplo, el valor de **bestAnswer** es 1 y el valor de **score** es 0,8228876. El valor de **bestAnswer** es 1 porque el valor de **score** es mayor que el umbral de puntuación de 0,77. Un valor de **bestAnswer** de 1 indica que el cliente posiblemente adquiera el producto y, por lo tanto, se considera una predicción positiva.
Predicción negativa:
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/es_es/machine-learning/latest/dg/images/image38.png)
En este ejemplo, el valor de **bestAnswer** es 0 porque el valor de **score** es 0,7695356, que es menor que el umbral de puntuación 0,77. El valor de **bestAnswer** de 0 indica que no es probable que el cliente adquiera el producto y, por lo tanto, se considera una predicción negativa.
Cada fila del resultado por lotes se corresponde con una fila de su entrada por lotes (un comentario de su fuente de datos).
Después de analizar las predicciones, puede ejecutar su campaña de marketing dirigida; por ejemplo, puede enviar folletos a todas las personas con una puntuación de predicción de `1`.
Ahora que ha creado, revisado y utilizado el modelo, [limpie los datos y los recursos de AWS que ha creado](step-6-clean-up.md) para evitar incurrir en gastos innecesarios y a mantener su espacio de trabajo despejado.
# Paso 6: eliminación
Para evitar acumular cargos adicionales de Amazon Simple Storage Service (Amazon S3), elimine los datos almacenados en Amazon S3. No se le aplicará ningún cargo por otros recursos de Amazon ML no utilizados, pero le recomendamos que los elimine para mantener limpio su espacio de trabajo.
**Eliminación de los datos de entrada almacenados en Amazon S3**
1. Abra la consola de Amazon S3 en [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Acceda a la ubicación de Amazon S3 donde almacenó los archivos `banking.csv` y `banking-batch.csv`.
1. Seleccione los archivos `banking.csv`, `banking-batch.csv` y `.writePermissionCheck.tmp`.
1. Elija **Acciones** y, a continuación, elija **Eliminar**.
1. Cuando se pida confirmación, elija **Aceptar**.
Aunque no se le aplica ningún cargo por mantener el registro de la predicción por lotes que Amazon ML ejecutó en las fuentes de datos, el modelo y la evaluación que creó durante el tutorial, le recomendamos que los elimine para no desordenar su espacio de trabajo.
**Eliminación de las predicciones por lotes**
1. Vaya a la ubicación de Amazon S3 donde almacenó el resultado de las predicciones por lotes.
1. Elija la carpeta `batch-prediction`.
1. Elija **Acciones** y, a continuación, elija **Eliminar**.
1. Cuando se pida confirmación, elija **Aceptar**.
**Para eliminar los recursos de Amazon ML**
1. En el panel de Amazon ML, seleccione los siguientes recursos.
+ La fuente de datos `Banking Data 1`
+ La fuente de datos `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]`
+ La fuente de datos `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]`
+ La fuente de datos `Banking Data 2`
+ El modelo de ML `ML model: Banking Data 1`
+ La evaluación `Evaluation: ML model: Banking Data 1`
1. Elija **Acciones** y, a continuación, elija **Eliminar**.
1. En el cuadro de diálogo, seleccione **Delete (Eliminar)** para eliminar todos los recursos seleccionados.
Acaba de completar correctamente el tutorial. Para seguir utilizando la consola para crear fuentes de datos, modelos y predicciones, consulte [Guía para desarrolladores de machine learning de Amazon](https://docs.aws.amazon.com/machine-learning/latest/dg/). Para obtener información sobre cómo utilizar la API, consulte la [referencia de la API de Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).