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.
# Didacticiel : Utilisation d'Amazon ML pour prédire les réponses à une offre marketing
Avec Amazon Machine Learning (Amazon ML), vous pouvez créer et entraîner des modèles prédictifs et héberger vos applications dans une solution cloud évolutive. Dans ce didacticiel, nous vous expliquons comment utiliser la console Amazon ML pour créer une source de données, créer un modèle d'apprentissage automatique (ML) et utiliser le modèle pour générer des prédictions que vous pouvez utiliser dans vos applications.
Notre exemple d'exercice montre comment identifier des clients potentiels pour une campagne marketing ciblée, mais vous pouvez appliquer les mêmes principes pour créer et utiliser divers modèles d'apprentissage-machine. Pour réaliser cet exemple d'exercice, vous allez utiliser des jeux de données bancaires et marketing disponibles publiquement dans le [Référentiel d'apprentissage-machine de l'Université de Californie à Irvine (UCI)](http://archive.ics.uci.edu/ml/datasets.php). Ces jeux de données contiennent des informations générales sur des clients, ainsi que des informations sur la façon dont ils ont répondu à des contacts marketing précédents. Vous utiliserez ces données pour identifier les clients les plus susceptibles de souscrire à votre nouveau produit, un dépôt bancaire à terme, également appelé « certificat de dépôt (CD) ».
**Avertissement**
Ce didacticiel n'est pas inclus dans l'offre gratuite AWS. Pour plus d'informations sur la tarification d'Amazon ML, consultez la section [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Prérequis
Pour effectuer ce didacticiel, vous devez disposer d'un compte AWS. Si vous n'avez pas de compte AWS, consultez [Configuration d'Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Étapes
+ [Etape 1 : Préparation de vos données](step-1-download-edit-and-upload-data.md)
+ [Etape 2 : Création d'une source de données de formation](step-2-create-a-datasource.md)
+ [Etape 3: Création d'un modèle d'apprentissage-machine](step-3-create-an-ml-model.md)
+ [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)
+ [Etape 5 : Utilisation du modèle d'apprentissage-machine pour générer des prédictions](step-5-create-predictions.md)
+ [Étape 6 : nettoyer](step-6-clean-up.md)
# Etape 1 : Préparation de vos données
Dans le cadre de l'apprentissage-machine, vous obtenez généralement les données et veillez à ce qu'elles soient formatées convenablement avant de commencer le processus de formation. Dans le cadre de ce didacticiel, nous avons obtenu un exemple de jeu de données à partir du [référentiel UCI Machine Learning](http://archive.ics.uci.edu/ml/), nous l'avons formaté conformément aux directives d'Amazon ML et l'avons mis à votre disposition pour téléchargement. Téléchargez le jeu de données depuis notre emplacement de stockage Amazon Simple Storage Service (Amazon S3) et chargez-le dans votre propre compartiment S3 en suivant les procédures décrites dans cette rubrique.
Pour connaître les exigences de mise en forme d'Amazon ML, consultez[Comprendre le format de données pour Amazon ML](understanding-the-data-format-for-amazon-ml.md).
**Pour télécharger les jeux de données**
1. Téléchargez le fichier qui contient les données d'historique des clients qui ont acheté des produits similaires à votre dépôt bancaire à terme en cliquant sur [banking.zip](samples/banking.zip). Décompressez le dossier et enregistrez le fichier banking.csv sur votre ordinateur.
1. Téléchargez le fichier que vous utiliserez pour prédire si des clients potentiels vont répondre à votre offre en cliquant sur [banking-batch.zip](samples/banking-batch.zip). Décompressez le dossier et enregistrez le fichier banking-batch.csv sur votre ordinateur.
1. Ouvrir `banking.csv`. Vous verrez des lignes et des colonnes de données. La *ligne d'en-tête* contient les noms des attributs des différentes colonnes. Un *attribut* est une propriété nommée unique qui décrit une caractéristique particulière de chaque client ; par exemple, nr\$1employed indique l'état professionnel du client. Chaque ligne représente la collection des observations relatives à un client individuel.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image1.png)
Vous souhaitez que votre modèle d'apprentissage-machine réponde à la question « Ce client optera-t-il pour mon nouveau produit ? ». Dans le jeu de données `banking.csv`, la réponse à cette question est l'attribut **y**, qui contient la valeur 1 (pour oui) ou 0 (pour non). L'attribut que vous souhaitez qu'Amazon ML apprenne à prévoir est appelé *attribut cible*.
**Note**
L'attribut **y** est un attribut binaire. Il peut contenir uniquement deux valeurs, dans ce cas, 0 ou 1. Dans le jeu de données UCI d'origine, l'attribut **y** a pour valeur Yes (Oui) ou No (Non). Nous avons modifié le jeu de données d'origine pour vous. Toutes les valeurs de l'attribut **y** qui signifient Oui sont désormais 1, et toutes les valeurs qui signifient Non sont désormais 0. Si vous utilisez vos propres données, vous pouvez utiliser d'autres valeurs pour un attribut binaire. Pour plus d'informations sur les valeurs valides, consultez [Utilisation du AttributeType terrain](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
Les exemples suivants montrent les données avant et après que nous avons remplacé les valeurs de l'attribut **y** par les attributs binaires 0 et 1.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/fr_fr/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/fr_fr/machine-learning/latest/dg/images/image3.png)
Le fichier `banking-batch.csv` ne contient pas l'attribut **y**. Une fois que vous aurez créé un modèle d'apprentissage-machine, vous allez l'utiliser pour prédire **y** pour chaque enregistrement dans ce fichier.
Ensuite, téléchargez les `banking-batch.csv` fichiers `banking.csv ` et sur Amazon S3.
**Pour télécharger les fichiers vers un emplacement Amazon S3**
1. Connectez-vous à la console Amazon S3 AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Dans la liste **Tous les compartiments**, créez un compartiment ou choisissez l'emplacement où vous voulez charger les fichiers.
1. Dans la barre de navigation, choisissez **Charger**.
1. Choisissez **Add Files (Ajouter des fichiers)**.
1. Dans la boîte de dialogue, accédez à votre bureau, choisissez `banking.csv` et `banking-batch.csv`, puis choisissez **Ouvrir**.
Vous êtes maintenant prêt à [créer votre source de données de formation](step-2-create-a-datasource.md).
# Etape 2 : Création d'une source de données de formation
Après avoir chargé le `banking.csv` jeu de données sur votre site Amazon Simple Storage Service (Amazon S3), vous l'utilisez pour créer une source de données de formation. Une source de données est un objet Amazon Machine Learning (Amazon ML) qui contient l'emplacement de vos données d'entrée et des métadonnées importantes relatives à ces données d'entrée. Amazon ML utilise la source de données pour des opérations telles que la formation et l'évaluation des modèles ML.
Pour créer une source de données, fournissez les éléments suivants :
+ Emplacement de vos données sur Amazon S3 et autorisation d'accès aux données
+ Le schéma, qui comprend les noms des attributs dans les données et le type de chaque attribut (numérique, texte, catégorie ou binaire)
+ Le nom de l'attribut qui contient la réponse que vous souhaitez qu'Amazon ML apprenne à prédire, l'attribut cible
**Note**
La source de données ne stocke pas réellement vos données, mais les référence uniquement. Évitez de déplacer ou de modifier les fichiers stockés dans Amazon S3. Si vous les déplacez ou les modifiez, Amazon ML ne pourra pas y accéder pour créer un modèle de machine learning, générer des évaluations ou générer des prédictions.
**Pour créer la source de données de formation**
1. Ouvrez la console Amazon Machine Learning à l'adresse [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Choisissez **Démarrer**.
**Note**
Ce didacticiel part du principe que c'est la première fois que vous utilisez Amazon ML. Si vous avez déjà utilisé Amazon ML, vous pouvez utiliser le bouton **Create new...** liste déroulante sur le tableau de bord Amazon ML pour créer une nouvelle source de données.
1. Sur la page **Commencer avec Amazon Machine Learning**, sélectionnez **Launch**.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/get-started-launch.png)
1. Dans la page **Input Data**, pour **Where is your data located?**, assurez-vous que **S3** est sélectionné.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image5.png)
1. Pour **Emplacement S3**, tapez l'emplacement complet du fichier `banking.csv ` de l'étape 1 : Préparation de vos données. Par exemple : *your-bucket***/banking.csv**. Amazon ML ajoute s3 ://au nom de votre compartiment pour vous.
1. Pour **Datasource name**, tapez **Banking Data 1**.
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image6.png)
1. Choisissez **Vérifier**.
1. Dans la boîte de dialogue **S3 permissions**, choisissez **Oui**.
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image7.png)
1. Si Amazon ML peut accéder au fichier de données et le lire à l'emplacement S3, vous verrez une page similaire à la suivante. Passez en revue les propriétés, puis choisissez **Continuer**.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image8.png)
Ensuite, vous devez établir un schéma. Un *schéma* est l'information dont Amazon ML a besoin pour interpréter les données d'entrée d'un modèle ML, y compris les noms des attributs et les types de données qui leur sont attribués, ainsi que les noms des attributs spéciaux. Il existe deux manières de fournir un schéma à Amazon ML :
+ Fournissez un fichier de schéma distinct lorsque vous chargez vos données Amazon S3.
+ Autorisez Amazon ML à déduire les types d'attributs et à créer un schéma pour vous.
Dans ce didacticiel, nous demanderons à Amazon ML de déduire le schéma.
Pour obtenir des informations sur la création d'un fichier de schéma distinct, consultez [Création d'un schéma de données pour Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Pour autoriser Amazon ML à déduire le schéma**
1. Sur la page **Schéma**, Amazon ML vous montre le schéma qu'il a déduit. Passez en revue les types de données déduits par Amazon ML pour les attributs. Il est important que le type de données approprié soit attribué aux attributs pour permettre à Amazon ML d'ingérer correctement les données et de permettre le traitement correct des fonctionnalités sur les attributs.
+ Les attributs qui ont seulement deux états possibles, tels que oui ou non, doivent être marqués comme **Binary** (binaire).
+ Les attributs correspondant à des chaînes ou des nombres utilisés pour indiquer une catégorie doivent être marqués comme **Categorical** (catégorie).
+ Les attributs correspondant à des quantités numériques dont l'ordre est important doivent être marqués comme **Numeric** (numérique).
+ Les attributs correspondant à des chaînes que vous souhaitez traiter comme des mots délimités par des espaces doivent être marqués comme **Text** (texte).
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image10.png)
1. Dans ce didacticiel, Amazon ML a correctement identifié les types de données pour tous les attributs. Choisissez donc **Continuer**.
Ensuite, sélectionnez un attribut cible.
Souvenez-vous que la cible est l'attribut que le modèle d'apprentissage-machine doit apprendre à prédire. L'attribut **y** indique si une personne a déjà souscrit à une campagne dans le passé : 1 (oui) ou 0 (non).
**Note**
Choisissez un attribut cible seulement si vous avez l'intention d'utiliser la source de données pour la formation et l'évaluation des modèles d'apprentissage-machine.
**Pour sélectionner y comme attribut cible**
1. Dans la partie inférieure droite du tableau, choisissez la flèche simple pour passer à la dernière page du tableau, où figure l'attribut nommé `y`.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image11.png)
1. Dans la colonne **Target**, sélectionnez `y`.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image12.png)
Amazon ML confirme que **y** est sélectionné comme cible.
1. Sélectionnez **Continuer**.
1. Dans la page **Row ID**, pour **Does your data contain an identifier ? **, veillez à ce que la valeur **No** (valeur par défaut) soit sélectionnée.
1. Choisissez **Vérification**, puis **Continuer**.
Maintenant que vous avez une source de données de formation, vous êtes prêt à [créer votre modèle](step-3-create-an-ml-model.md).
# Etape 3: Création d'un modèle d'apprentissage-machine
Une fois que vous avez créé la source de données de formation, vous l'utilisez pour créer un modèle d'apprentissage-machine, former le modèle, puis évaluer les résultats. Le modèle ML est un ensemble de modèles qu'Amazon ML trouve dans vos données pendant l'entraînement. Vous utilisez le modèle pour créer des prédictions.
**Pour créer un modèle d'apprentissage-machine**
1. Dans la mesure où l'assistant de mise en route crée à la fois une source de données d'entraînement et un modèle, Amazon Machine Learning (Amazon ML) utilise automatiquement la source de données d'entraînement que vous venez de créer et vous dirige directement vers **la page des paramètres du modèle de machine learning**. Dans la page **ML model settings**, pour **ML model name**, assurez-vous que la valeur par défaut **ML model: Banking Data 1** soit affichée.
En utilisant un nom convivial, tel que la valeur par défaut, vous pouvez facilement identifier et gérer le modèle d'apprentissage-machine.
1. Pour **Training and evaluation settings**, assurez-vous que la valeur **Default** est sélectionnée.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image19.png)
1. Pour **Name this evaluation (Nommer cette évaluation)**, acceptez la valeur par défaut, **Evaluation: ML model: Banking Data 1**.
1. Choisissez **Review**, passez en revue vos paramètres, puis choisissez **Finish**.
Une fois que vous avez **sélectionné Terminer**, Amazon ML ajoute votre modèle à la file d'attente de traitement. Lorsque Amazon ML crée votre modèle, il applique les valeurs par défaut et effectue les actions suivantes :
+ Il divise la source de données de formation en deux sections, l'une contenant 70 % des données et l'autre contenant les 30 % restants
+ Il forme le modèle d'apprentissage-machine sur la section qui contient 70 % des données d'entrée
+ Il évalue le modèle à l'aide des 30 % restants des données d'entrée
Lorsque votre modèle est dans la file d'attente, Amazon ML indique que le statut est En **attente**. Pendant qu'Amazon ML crée votre modèle, il indique que son statut est **En cours**. Lorsqu'il a terminé toutes les actions, il indique l'état **Terminé**. Attendez la fin de l'évaluation avant de continuer.
Maintenant, vous êtes prêt à [passer en revue les performances de votre modèle et définir un score seuil](step-4-review-model-and-set-cutoff.md).
Pour plus d'informations sur la formation et l'évaluation des modèles, consultez [Formation des modèles d'apprentissage-machine](training-ml-models.md) et [Evaluation des modèles d'apprentissage-machine](evaluating_models.md).
# Etape 4 : Examen des performances prédictives du modèle d'apprentissage-machine et définition d'un score seuil
Maintenant que vous avez créé votre modèle de machine learning et qu'Amazon Machine Learning (Amazon ML) l'a évalué, voyons s'il est suffisamment performant pour être utilisé. Au cours de l'évaluation, Amazon ML a calculé une métrique de qualité standard, appelée métrique Area Under a Curve (AUC), qui exprime la qualité des performances de votre modèle de ML. Amazon ML interprète également la métrique AUC pour vous indiquer si la qualité du modèle ML est adéquate pour la plupart des applications de machine learning. (Découvrez plus d'informations sur AUC dans [Mesure de la précision du modèle d'apprentissage-machine](binary-model-insights.md#measuring-ml-model-accuracy).) Examinons la métrique AUC, puis ajustez le score seuil ou la limite pour optimiser les performances prédictives de votre modèle.
**Pour examiner la métrique AUC de votre modèle d'apprentissage-machine**
1. Dans la page **ML model summary**, dans le volet de navigation **ML model report**, choisissez **Evaluations**, **Evaluation: ML model: Banking model 1**, puis **Summary**.
1. Dans la page **Evaluation summary**, examinez le résumé d'évaluation, dont notamment la métrique de performances AUC du modèle.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image24.png)
Le modèle d'apprentissage-machine génère des scores de prédiction numériques pour chaque enregistrement dans une source de données de prédiction, puis applique un seuil pour convertir ces scores en étiquettes binaires 0 (pour non) ou 1 (pour oui). En changeant le *score seuil*, vous pouvez ajuster la manière dont le modèle d'apprentissage-machine attribue ces étiquettes. Maintenant, définissez le score seuil.
**Pour définir un score seuil pour votre modèle d'apprentissage-machine**
1. Dans la page **Evaluation Summary**, choisissez **Adjust Score Threshold**.
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image25.png)
Vous pouvez affiner les métriques de performances de votre modèle d'apprentissage-machine en ajustant le score seuil. L'ajustement de cette valeur modifie le niveau de confiance que le modèle doit avoir dans une prédiction avant de considérer la prédiction comme positive. Il change également le nombre de faux négatifs et de faux positifs que vous êtes prêt à tolérer dans vos prévisions.
Vous pouvez contrôler la limite pour ce que le modèle considère comme une prédiction positive en augmentant le score seuil jusqu'à ce qu'il considère comme positives uniquement les prédictions dotées de la plus haute probabilité d'être de vrais positifs. Vous pouvez également réduire le score seuil jusqu'à ce que vous n'ayez plus aucun faux négatif. Choisissez votre limite pour refléter les besoins de votre activité. Dans le cadre de ce didacticiel, chaque faux positif a un coût financier sur la campagne, si bien que nous voulons un haut ratio de vrais positifs par rapport aux faux positifs.
1. Disons que vous voulez cibler les 3 % supérieurs des clients qui souscrivent au produit. Faites glisser le sélecteur vertical pour définir le score seuil sur une valeur qui correspond à **3% of the records are predicted as "1"**.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image26.png)
Notez l'impact de ce score seuil sur les performances du modèle d'apprentissage-machine : le taux de faux positifs est de 0,007. Supposons que ce taux de faux positifs est acceptable.
1. Choisissez **Save score threshold at 0.77**.
Chaque fois que vous utilisez ce modèle d'apprentissage-machine pour faire des prédictions, il prédit les enregistrements avec des scores supérieurs à 0,77 en tant que « 1 », et le reste des enregistrements en tant que « 0 ».
Pour en savoir plus sur le score seuil, consultez [Classification binaire](binary-classification.md).
Maintenant, vous êtes prêt à [créer des prédictions à l'aide de votre modèle](step-5-create-predictions.md).
# Etape 5 : Utilisation du modèle d'apprentissage-machine pour générer des prédictions
Amazon Machine Learning (Amazon ML) peut générer deux types de prédictions : par lots et en temps réel.
Une *prédiction en temps réel* est une prédiction pour une seule observation générée par Amazon ML à la demande. Les prédictions en temps réel sont idéales pour les applications mobiles, les sites web et les autres applications qui doivent utiliser les résultats de façon interactive.
Une *prédiction par lots* est un ensemble de prédictions pour un groupe d'observations. Amazon ML traite les enregistrements d'une prédiction par lots en même temps. Le traitement peut donc prendre un certain temps. Utilisez des prédictions par lots pour les applications qui nécessitent des prédictions pour des ensembles d'observations ou des prédictions qui n'utilisent pas les résultats de façon interactive.
Dans le cadre de ce didacticiel, vous allez générer une prédiction en temps réel qui prédira si un client potentiel souscrira au nouveau produit. Vous allez également générer des prédictions pour un grand lot de clients potentiels. Pour la prédiction par lots, vous utiliserez le fichier `banking-batch.csv` que vous avez chargé dans [Etape 1 : Préparation de vos données](step-1-download-edit-and-upload-data.md).
Commençons par une prédiction en temps réel.
**Note**
Pour les applications qui nécessitent des prédictions en temps réel, vous devez créer un point de terminaison en temps réel pour le modèle d'apprentissage-machine. Vous accumulez des frais lorsqu'un point de terminaison en temps réel est disponible. Avant de valider l'utilisation de prédictions en temps réel et de commencer à supporter le coût qui leur est associé, vous pouvez essayer la fonctionnalité de prédiction en temps réel dans votre navigateur web, sans créer de point de terminaison en temps réel. C'est ce que nous allons faire dans le cadre de ce tutoriel.
**Pour essayer d'utiliser les prédictions en temps réel**
1. Dans le volet de navigation **ML model report**, choisissez **Try real-time predictions**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Choisissez **Paste a record**.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/paste-a-record.png)
1. Dans la boîte de dialogue **Paste a record**, collez l'observation suivante :
```
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. Dans la boîte de dialogue **Coller un enregistrement**, choisissez **Soumettre** pour confirmer que vous souhaitez générer une prédiction pour cette observation. Amazon ML renseigne les valeurs dans le formulaire de prédiction en temps réel.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/value-column.png)
**Note**
Vous pouvez également renseigner les champs **Valeur** en y saisissant des valeurs individuelles. Quelle que soit la méthode que vous choisissez, vous devez fournir une observation qui n'a pas été utilisée pour former le modèle.
1. En bas de la page, choisissez **Create prediction**.
La prédiction apparaît dans le volet **Prediction results** de droite. Cette prédiction a un paramètre **Predicted label** égal à `0`, ce qui signifie qu'il est peu probable que ce client potentiel réponde à la campagne. Un paramètre **Predicted label** égal à `1` signifierait qu'il est probable que le client réponde à la campagne.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/real-time-result.png)
A présent, créez une prédiction par lots. Vous fournirez à Amazon ML le nom du modèle de ML que vous utilisez ; l'emplacement Amazon Simple Storage Service (Amazon S3) des données d'entrée pour lesquelles vous souhaitez générer des prédictions (Amazon ML créera une source de données de prédiction par lots à partir de ces données) ; et l'emplacement Amazon S3 pour stocker les résultats.
**Pour créer une prédiction par lots**
1. Choisissez **Amazon Machine Learning**, puis **Batch Predictions**.
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image29.png)
1. Choisissez **Create new batch prediction**.
1. Dans la page **ML model for batch predictions**, choisissez **ML model: Banking Data 1**.
Amazon ML affiche le nom du modèle ML, son ID, l'heure de création et l'ID de source de données associé.
1. Sélectionnez **Continuer**.
1. Pour générer des prédictions, vous devez fournir à Amazon ML les données pour lesquelles vous avez besoin de prédictions. Il s'agit des *données d'entrée*. Tout d'abord, placez les données d'entrée dans une source de données afin qu'Amazon ML puisse y accéder.
Pour **Locate the input data**, choisissez **My data is in S3, and I need to create a datasource**.
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image31.png)
1. Pour **Datasource name**, tapez **Banking Data 2**.
1. Pour **S3 Location**, saisissez l'emplacement complet du `banking-batch.csv` fichier : *your-bucket***/banking-batch.csv**.
1. Pour **Does the first line in your CSV contain the column names?**, choisissez **Yes**.
1. Choisissez **Vérifier**.
Amazon ML valide l'emplacement de vos données.
1. Sélectionnez **Continuer**.
1. Pour la **destination S3**, saisissez le nom de l'emplacement Amazon S3 où vous avez chargé les fichiers à l'étape 1 : Préparez vos données. Amazon ML y télécharge les résultats des prédictions.
1. Pour le **nom de la prédiction Batch**, acceptez la valeur par défaut,**Batch prediction: ML model: Banking Data 1**. Amazon ML choisit le nom par défaut en fonction du modèle qu'il utilisera pour créer des prédictions. Dans ce didacticiel, le modèle et les prédictions sont nommés d'après la source de données de formation, `Banking Data 1`.
1. Choisissez **Examiner**.
1. Dans la boîte de dialogue **S3 permissions**, choisissez **Oui**.
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image32.png)
1. Dans la page **Vérification**, choisissez **Terminer**.
La demande de prédiction par lots est envoyée à Amazon ML et entrée dans une file d'attente. Le temps nécessaire à Amazon ML pour traiter une prédiction par lots dépend de la taille de votre source de données et de la complexité de votre modèle de machine machine learning. Pendant qu'Amazon ML traite la demande, il indique le statut **En cours**. Une fois que la prédiction par lots est terminée, l'état de la demande devient **Terminé**. Maintenant, vous pouvez afficher les résultats.
**Pour afficher les prédictions**
1. Choisissez **Amazon Machine Learning**, puis **Batch Predictions**.
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image33.png)
1. Dans la liste des prédictions, choisissez la prédiction **Batch prediction: ML model: Banking Data 1**. La page **Batch prediction info** apparaît.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image34.png)
1. Pour consulter les résultats de la prédiction par lots, accédez à la console Amazon S3 à l'adresse [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)et accédez à l'emplacement Amazon S3 référencé dans le champ **URL de sortie S3**. De là, accédez au dossier des résultats, qui aura un nom similaire à `s3://aml-data/batch-prediction/result`.
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image35.png)
La prédiction est stockée dans un fichier .gzip compressé avec l'extension .gz.
1. Téléchargez le fichier de prédiction sur votre bureau, décompressez-le et ouvrez-le.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image36.png)
Le fichier possède deux colonnes, **bestAnswer** et **score**, et une ligne pour chaque observation de votre source de données. Les résultats de la colonne **bestAnswer** sont basés sur le score seuil de 0,77 que vous avez défini dans [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). Un **score** supérieur à 0,77 génère une valeur **bestAnswer** de 1, ce qui représente une prédiction ou une réponse positive, et un **score** inférieur à 0,77 génère une valeur **bestAnswer** de 0, ce qui représente une prédiction ou une réponse négative.
Les exemples suivants présentent des prédictions positives ou négatives en fonction du score seuil de 0,77.
Prédiction positive :
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image37.png)
Dans cet exemple, la valeur de **bestAnswer** est 1 et la valeur de **score** est 0,8228876. La valeur de **bestAnswer** est 1 parce que le **score** est supérieur au score seuil de 0,77. Une valeur **bestAnswer** égale à 1 indique qu'il est probable que le client achète votre produit, ce qui est donc considéré comme une prédiction positive.
Prédiction négative :
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/fr_fr/machine-learning/latest/dg/images/image38.png)
Dans cet exemple, la valeur de **bestAnswer** est 0, car la valeur de **score** est 0,7695356, qui est inférieure au score seuil de 0,77. La valeur **bestAnswer** de 0 indique qu'il est improbable que le client achète votre produit, ce qui est donc considéré comme une prédiction négative.
Chaque ligne du résultat correspond à une ligne dans votre lot d'entrée (une observation dans votre source de données).
Après l'analyse des prédictions, vous pouvez exécuter votre campagne marketing ciblée ; par exemple, en envoyant des dépliants à toutes les personnes dotées d'un score prédit de `1`.
Maintenant que vous avez créé, revu et utilisé votre modèle, [nettoyez les données et les ressources AWS que vous avez créées](step-6-clean-up.md) pour éviter d'accumuler des frais inutiles et pour maintenir dégagé votre espace de travail.
# Étape 6 : nettoyer
Pour éviter d'avoir à payer des frais supplémentaires liés à Amazon Simple Storage Service (Amazon S3), supprimez les données stockées dans Amazon S3. Les autres ressources Amazon ML non utilisées ne vous sont pas facturées, mais nous vous recommandons de les supprimer pour préserver la propreté de votre espace de travail.
**Pour supprimer les données d'entrée stockées dans Amazon S3**
1. Ouvrez la console Amazon S3 à l'adresse [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Accédez à l'emplacement Amazon S3 où vous avez stocké les `banking-batch.csv` fichiers `banking.csv` et.
1. Sélectionnez les fichiers `banking.csv`, `banking-batch.csv` et `.writePermissionCheck.tmp`.
1. Choisissez **Actions**, puis **Supprimer**.
1. Lorsque vous êtes invité à confirmer l'opération, choisissez **OK**.
Bien que la conservation de la prédiction par lots exécutée par Amazon ML ou des sources de données, du modèle et de l'évaluation que vous avez créés pendant le didacticiel ne vous soit pas facturée, nous vous recommandons de les supprimer pour éviter d'encombrer votre espace de travail.
**Pour supprimer les prédictions par lots**
1. Accédez à l'emplacement Amazon S3 où vous avez stocké le résultat de la prédiction par lots.
1. Choisissez le dossier `batch-prediction`.
1. Choisissez **Actions**, puis **Supprimer**.
1. Lorsque vous êtes invité à confirmer l'opération, choisissez **OK**.
**Pour supprimer les ressources Amazon ML**
1. Sur le tableau de bord Amazon ML, sélectionnez les ressources suivantes.
+ La source de données `Banking Data 1`
+ La source de données `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]`
+ La source de données `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]`
+ La source de données `Banking Data 2`
+ Le modèle d'apprentissage-machine `ML model: Banking Data 1`
+ L'évaluation `Evaluation: ML model: Banking Data 1`
1. Choisissez **Actions**, puis **Supprimer**.
1. Dans la boîte de dialogue, choisissez **Supprimer** pour supprimer toutes les ressources sélectionnées.
Vous avez maintenant terminé le didacticiel. Pour continuer à utiliser la console afin de créer des sources de données, des modèles et des prédictions, consultez le manuel [Amazon Machine Learning Developer Guide](https://docs.aws.amazon.com/machine-learning/latest/dg/). Pour apprendre à utiliser l'API, consultez la [Référence d'API Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).