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.

Formats de demande et de réponse k-NN

Tous les algorithmes intégrés d'Amazon SageMaker AI respectent le format d'inférence d'entrée commun décrit dans Common Data Formats - Inference. Cette rubrique contient une liste des formats de sortie disponibles pour l'algorithme SageMaker AI k-nearest-neighbor.

ENTRÉE : format de demande CSV

type de contenu : text/csv

1.2,1.3,9.6,20.3

Accepte un label_size ou un paramètre d'encodage. Il suppose un champ label_size égal à 0 et un encodage UTF-8.

ENTRÉE : format de demande JSON

type de contenu : application/json

{
  "instances": [
    {"data": {"features": {"values": [-3, -1, -4, 2]}}},
    {"features": [3.0, 0.1, 0.04, 0.002]}]
}

ENTRÉE : format de demande JSONLINES

type de contenu : application/jsonlines

{"features": [1.5, 16.0, 14.0, 23.0]}
{"data": {"features": {"values": [1.5, 16.0, 14.0, 23.0]}}

ENTRÉE : format de demande RECORDIO

type de contenu : -recordio-protobuf application/x

[
    Record = {
        features = {
            'values': {
                values: [-3, -1, -4, 2]  # float32
            }
        },
        label = {}
    },
    Record = {
        features = {
            'values': {
                values: [3.0, 0.1, 0.04, 0.002]  # float32
            }
        },
        label = {}
    },
] 

SORTIE : format de réponse JSON

accepter : application/json

{
  "predictions": [
    {"predicted_label": 0.0},
    {"predicted_label": 2.0}
  ]
}

SORTIE : format de réponse JSONLINES

accepter : application/jsonlines

{"predicted_label": 0.0}
{"predicted_label": 2.0}

SORTIE : format de réponse VERBOSE JSON

En mode détaillé, l'API fournit les résultats de recherche avec le vecteur des distances triées de la plus petite à la plus grande, et les éléments correspondants dans le vecteur des étiquettes. Dans cet exemple, k a la valeur 3.

accepter : application/json ; verbose=true

{
  "predictions": [
    {
        "predicted_label": 0.0,
        "distances": [3.11792408, 3.89746071, 6.32548437],
        "labels": [0.0, 1.0, 0.0]
    },
    {
        "predicted_label": 2.0,
        "distances": [1.08470316, 3.04917915, 5.25393973],
        "labels": [2.0, 2.0, 0.0]
    }
  ]
}

SORTIE : Format RECORDIO-PROTOBUF de réponse

type de contenu : -recordio-protobuf application/x

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [2.0]  # float32
            }
        }
    }
]

SORTIE : format de réponse VERBOSE RECORDIO-PROTOBUF

En mode détaillé, l'API fournit les résultats de recherche avec le vecteur des distances triées de la plus petite à la plus grande, et les éléments correspondants dans le vecteur des étiquettes. Dans cet exemple, k a la valeur 3.

accept : application/x -recordio-protobuf ; verbose=true

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [3.11792408, 3.89746071, 6.32548437]  # float32
            },
            'labels': {
                values: [0.0, 1.0, 0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [1.08470316, 3.04917915, 5.25393973]  # float32
            },
            'labels': {
                values: [2.0, 2.0, 0.0]  # float32
            }
        }
    }
]

EXEMPLE DE SORTIE pour l'algorithme k-NN

Pour les tâches regressor :

[06/08/2018 20:15:33 INFO 140026520049408] #test_score (algo-1) : ('mse', 0.013333333333333334)

Pour les tâches classifier :

[06/08/2018 20:15:46 INFO 140285487171328] #test_score (algo-1) : ('accuracy', 0.98666666666666669)