Nous ne mettons plus à jour le service Amazon Machine Learning et n'acceptons plus de nouveaux utilisateurs pour celui-ci. Cette documentation est disponible pour les utilisateurs existants, mais nous ne la mettons plus à jour. Pour plus d'informations, consultez [Qu'est-ce qu'Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html) ?
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Création d'un modèle d'apprentissage-machine
Une fois que vous avez créé une source de données, vous êtes prêt à créer un modèle d'apprentissage-machine. Si vous utilisez la console Amazon Machine Learning pour créer un modèle, vous pouvez choisir d'utiliser les paramètres par défaut ou de personnaliser votre modèle en appliquant des options personnalisées.
Les options personnalisées sont les suivantes :
+ Paramètres d'évaluation : vous pouvez choisir de demander à Amazon ML de réserver une partie des données d'entrée pour évaluer la qualité prédictive du modèle de ML. Pour obtenir des informations sur les évaluations, consultez [Evaluation des modèles d'apprentissage-machine](https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html).
+ Une recette : une recette indique à Amazon ML quels attributs et transformations d'attributs sont disponibles pour l'entraînement des modèles. Pour plus d'informations sur les recettes Amazon ML, consultez la section [Transformations de fonctionnalités avec des recettes de données](https://docs.aws.amazon.com/machine-learning/latest/dg/feature-transformations-with-data-recipes.html).
+ Paramètres de formation : les paramètres contrôlent certaines propriétés du processus de formation et du modèle d'apprentissage-machine qui en résulte. Pour plus d'informations sur les paramètres de formation, consultez [Paramètres de formation](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html).
Pour sélectionner ou spécifier des valeurs pour ces paramètres, choisissez l'option **Personnalisé** lorsque vous utilisez l'assistant de création de modèle d'apprentissage-machine. Si vous souhaitez qu'Amazon ML applique les paramètres par défaut, choisissez **Default**.
Lorsque vous créez un modèle ML, Amazon ML sélectionne le type d'algorithme d'apprentissage qu'il utilisera en fonction du type d'attribut de votre attribut cible. (L'attribut cible est l'attribut qui contient les réponses « correctes ».) Si votre attribut cible est binaire, Amazon ML crée un modèle de classification binaire qui utilise l'algorithme de régression logistique. Si votre attribut cible est catégorique, Amazon ML crée un modèle multiclasse qui utilise un algorithme de régression logistique multinomial. Si votre attribut cible est numérique, Amazon ML crée un modèle de régression qui utilise un algorithme de régression linéaire.
**Topics**
+ [Conditions préalables](#model-prereqs)
+ [Création d'un modèle d'apprentissage-machine avec les options par défaut](#creating-ml-model-using-default-settings)
+ [Création d'un modèle d'apprentissage-machine avec des options personnalisées](#creating-ml-model-using-custom-settings)
## Conditions préalables
Avant d'utiliser la console Amazon ML pour créer un modèle de ML, vous devez créer deux sources de données, l'une pour entraîner le modèle et l'autre pour évaluer le modèle. Si vous n'avez pas créé deux sources de données, consultez [Etape 2 : Création d'une source de données de formation](step-2-create-a-datasource.md) dans ce didacticiel.
## Création d'un modèle d'apprentissage-machine avec les options par défaut
Choisissez les options **par défaut** si vous souhaitez qu'Amazon ML :
+ fractionne les données d'entrée pour en utiliser 70 % pour la formation et les 30 % restants pour l'évaluation ;
+ suggère une recette basée sur les statistiques collectées sur la source de données de formation, qui représente 70 % de la source de données d'entrée ;
+ choisisse les paramètres de formation par défaut.
**Pour choisir les options par défaut**
1. Dans la console Amazon ML, choisissez **Amazon Machine Learning**, puis choisissez **ML models**.
1. Dans la page récapitulative **ML models**, choisissez **Create a new ML model**.
1. Dans la page **Input data**, assurez-vous que l'option **I already created a datasource pointing to my S3 data** est sélectionnée.
1. Dans la table, choisissez votre source de données, puis choisissez **Continue**.
1. Dans la page **ML model settings**, pour **ML model name**, tapez un nom pour votre modèle d'apprentissage-machine.
1. Pour **Training and evaluation settings**, assurez-vous que la valeur **Par défaut** est sélectionnée.
1. Pour **Nommer cette évaluation**, tapez le nom de l'évaluation, puis choisissez **Réviser**. Amazon ML contourne le reste de l'assistant et vous dirige vers la page de **révision**.
1. Passez en revue vos données, supprimez les balises copiées depuis la source de données que vous ne voulez pas appliquer à votre modèle et à vos évaluations, puis choisissez **Terminer**.
## Création d'un modèle d'apprentissage-machine avec des options personnalisées
La personnalisation de votre modèle d'apprentissage-machine vous offre les possibilités suivantes :
+ Fournir votre propre recette. Pour obtenir des informations sur la façon de fournir votre propre recette, consultez [Référence de format des recettes](https://docs.aws.amazon.com/machine-learning/latest/dg/recipe-format-reference.html).
+ Choisir les paramètres de formation. Pour plus d'informations sur les paramètres de formation, consultez [Paramètres de formation](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html).
+ Choisissez un ratio de training/evaluation division autre que le ratio 70/30 par défaut ou fournissez une autre source de données que vous avez déjà préparée pour l'évaluation. Pour obtenir des informations sur les stratégies de fractionnement, consultez [Fractionnement des données](splitting-types.md).
Vous pouvez également choisir les valeurs par défaut d'un ou plusieurs de ces paramètres.
Si vous avez déjà créé un modèle à l'aide des options par défaut et que vous souhaitez améliorer les performances prédictives de votre modèle, utilisez l'option **Personnalisé** pour créer un nouveau modèle avec certains paramètres personnalisés. Par exemple, vous pouvez ajouter des transformations d'entité supplémentaires à la recette ou augmenter le nombre de passages dans le paramètre de formation.
**Pour créer un modèle avec des options personnalisées**
1. Dans la console Amazon ML, choisissez **Amazon Machine Learning**, puis choisissez **ML models**.
1. Dans la page récapitulative **ML models**, choisissez **Create a new ML model**.
1. Si vous avez déjà créé une source de données, dans la page **Input data**, choisissez **I already created a datasource pointing to my S3 data**. Dans la table, choisissez votre source de données, puis choisissez **Continue**.
Si vous avez besoin de créer une source de données, choisissez **My data is in S3, and I need to create a datasource**, puis **Continue**. Vous êtes redirigé vers l'assistant **Create a Datasource**. Spécifiez si vos données se trouvent dans **S3** ou **Redshift**, puis choisissez **Vérifier**. Terminez la procédure de création d'une source de données.
Une fois que vous avez créé une source de données, vous êtes redirigé vers l'étape suivante dans l'assistant **Create ML Model**.
1. Dans la page **ML model settings**, pour **ML model name**, tapez un nom pour votre modèle d'apprentissage-machine.
1. Dans **Select training and evaluation settings**, choisissez **Custom**, puis choisissez **Continue**.
1. Dans la page **Recette**, vous pouvez [customize a recipe](recipe-format-reference.md). Si vous ne souhaitez pas personnaliser de recette, Amazon ML vous en suggère une. Sélectionnez **Continuer**.
1. Dans la page **Advanced settings (Paramètres avancés)**, spécifiez les valeurs **Maximum ML model Size (Taille maximum de modèle d'apprentissage automatique)**, **Maximum number of data passes (Nombre maximum de passes de données)**, **Shuffle type for training data (Type de réorganisation pour les données de formation)**, **Regularization type (Type de réorganisation)** et **Regularization amount (Montant de régularisation)**. Si vous ne les spécifiez pas, Amazon ML utilise les paramètres d'entraînement par défaut.
Pour plus d'informations sur ces paramètres et leurs valeurs par défaut, consultez [Paramètres de formation](training-parameters.md).
Sélectionnez **Continuer**.
1. Dans la page **Evaluation**, spécifiez si vous souhaitez évaluer le modèle d'apprentissage-machine immédiatement. Si vous ne voulez pas évaluer le modèle d'apprentissage-machine maintenant, choisissez **Review**.
Si vous souhaitez évaluer le modèle d'apprentissage-machine maintenant :
1. Pour **Name this evaluation (Nommer cette évaluation)**, tapez un nom pour l'évaluation.
1. Pour **Select evaluation data**, indiquez si vous souhaitez qu'Amazon ML réserve une partie des données d'entrée à des fins d'évaluation et, le cas échéant, comment vous souhaitez diviser la source de données, ou choisissez de fournir une autre source de données pour l'évaluation.
1. Choisissez **Examiner**.
1. Dans la page **Review**, modifiez vos sélections, supprimez les balises copiées depuis la source de données que vous ne voulez pas appliquer à votre modèle et à vos évaluations, puis choisissez **Finish**.
Une fois que vous avez créé le modèle, consultez [Etape 4 : Examen des performances prédictives du modèle d'apprentissage-machine et définition d'un score seuil](step-4-review-model-and-set-cutoff.md).