Kami tidak lagi memperbarui layanan Amazon Machine Learning atau menerima pengguna baru untuk itu. Dokumentasi ini tersedia untuk pengguna yang sudah ada, tetapi kami tidak lagi memperbaruinya. Untuk informasi selengkapnya, lihat [Apa itu Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Tutorial: Menggunakan Amazon ML untuk Memprediksi Respons terhadap Penawaran Pemasaran
Dengan Amazon Machine Learning (Amazon ML), Anda dapat membuat dan melatih model prediktif serta meng-host aplikasi Anda dalam solusi cloud yang dapat diskalakan. Dalam tutorial ini, kami menunjukkan kepada Anda cara menggunakan konsol Amazon Amazon untuk membuat sumber data, membangun model pembelajaran mesin (ML), dan menggunakan model untuk menghasilkan prediksi yang dapat Anda gunakan dalam aplikasi Anda.
Contoh latihan kami menunjukkan cara mengidentifikasi calon pelanggan untuk kampanye pemasaran yang ditargetkan, tetapi Anda dapat menerapkan prinsip yang sama untuk membuat dan menggunakan berbagai model ML. Untuk menyelesaikan latihan sampel, Anda akan menggunakan kumpulan data perbankan dan pemasaran yang tersedia untuk umum dari [University of California di Irvine (UCI) Machine](http://archive.ics.uci.edu/ml/datasets.php) Learning Repository. Kumpulan data ini berisi informasi umum tentang pelanggan, dan informasi tentang bagaimana mereka menanggapi kontak pemasaran sebelumnya. Anda akan menggunakan data ini untuk mengidentifikasi pelanggan mana yang paling mungkin berlangganan produk baru Anda, setoran berjangka bank, juga dikenal sebagai sertifikat setoran (CD).
**Awas**
Tutorial ini tidak termasuk dalam AWS tingkat gratis. Untuk informasi selengkapnya tentang harga Amazon ML, lihat [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Prasyarat
Untuk melakukan tutorial, Anda harus memiliki akun AWS. Jika Anda tidak memiliki akun AWS, lihat [Menyiapkan Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Langkah-langkah
+ [Langkah 1: Siapkan Data Anda](step-1-download-edit-and-upload-data.md)
+ [Langkah 2: Buat Datasource Pelatihan](step-2-create-a-datasource.md)
+ [Langkah 3: Buat Model ML](step-3-create-an-ml-model.md)
+ [Langkah 4: Tinjau Kinerja Prediktif Model ML dan Tetapkan Ambang Skor](step-4-review-model-and-set-cutoff.md)
+ [Langkah 5: Gunakan Model ML untuk Menghasilkan Prediksi](step-5-create-predictions.md)
+ [Langkah 6: Bersihkan](step-6-clean-up.md)
# Langkah 1: Siapkan Data Anda
Dalam pembelajaran mesin, Anda biasanya mendapatkan data dan memastikan bahwa itu diformat dengan baik sebelum memulai proses pelatihan. Untuk keperluan tutorial ini, kami memperoleh kumpulan data sampel dari [UCI Machine Learning Repository](http://archive.ics.uci.edu/ml/), memformatnya agar sesuai dengan pedoman Amazon, dan membuatnya tersedia untuk Anda unduh. Unduh kumpulan data dari lokasi penyimpanan Amazon Simple Storage Service (Amazon S3) kami dan unggah ke bucket S3 Anda sendiri dengan mengikuti prosedur dalam topik ini.
Untuk persyaratan pemformatan Amazon ML, lihat[Memahami Format Data untuk Amazon](understanding-the-data-format-for-amazon-ml.md).
**Untuk mengunduh kumpulan data**
1. Unduh file yang berisi data historis untuk pelanggan yang telah membeli produk yang mirip dengan deposito berjangka bank Anda dengan mengklik [banking.zip](samples/banking.zip). Buka zip folder dan simpan file banking.csv ke komputer Anda.
1. Unduh file yang akan Anda gunakan untuk memprediksi apakah calon pelanggan akan menanggapi penawaran Anda dengan mengklik [banking-batch.zip](samples/banking-batch.zip). Buka zip folder dan simpan file banking-batch.csv ke komputer Anda.
1. Buka `banking.csv`. Anda akan melihat baris dan kolom data. *Baris header* berisi nama atribut untuk setiap kolom. *Atribut* adalah properti unik bernama yang menggambarkan karakteristik tertentu dari setiap pelanggan; misalnya, nr\$1employed menunjukkan status pekerjaan pelanggan. Setiap baris mewakili kumpulan pengamatan tentang satu pelanggan.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image1.png)
Anda ingin model ML Anda menjawab pertanyaan “Apakah pelanggan ini akan berlangganan produk baru saya?”. Dalam `banking.csv` dataset, jawaban untuk pertanyaan ini adalah atribut **y**, yang berisi nilai 1 (untuk ya) atau 0 (untuk no). Atribut yang Anda inginkan Amazon ML. untuk mempelajari cara memprediksi dikenal sebagai *atribut target*.
**catatan**
Atribut **y** adalah atribut biner. Ini hanya dapat berisi satu dari dua nilai, dalam hal ini 0 atau 1. Dalam kumpulan data UCI asli, atribut **y** adalah Ya atau Tidak. Kami telah mengedit dataset asli untuk Anda. Semua nilai atribut **y** yang berarti ya sekarang 1, dan semua nilai yang berarti tidak sekarang 0. Jika Anda menggunakan data Anda sendiri, Anda dapat menggunakan nilai lain untuk atribut biner. Untuk informasi selengkapnya tentang nilai yang valid, lihat[Menggunakan AttributeType Field](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
Contoh berikut menunjukkan data sebelum dan sesudah kita mengubah nilai dalam atribut **y** ke atribut biner 0 dan 1.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/id_id/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/id_id/machine-learning/latest/dg/images/image3.png)
`banking-batch.csv`File tidak berisi atribut **y**. Setelah Anda membuat model ML, Anda akan menggunakan model untuk memprediksi **y** untuk setiap catatan dalam file itu.
Selanjutnya, unggah `banking-batch.csv` file `banking.csv ` dan ke Amazon S3.
**Untuk mengunggah file ke lokasi Amazon S3**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon S3 di. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Dalam daftar **Semua Bucket**, buat bucket atau pilih lokasi tempat Anda ingin mengunggah file.
1. Di bilah navigasi, pilih **Unggah**.
1. Pilih **Tambahkan File**.
1. Di kotak dialog, navigasikan ke desktop Anda, pilih `banking.csv` dan`banking-batch.csv`, lalu pilih **Buka**.
Sekarang Anda siap untuk [membuat sumber data pelatihan Anda.](step-2-create-a-datasource.md)
# Langkah 2: Buat Datasource Pelatihan
Setelah mengunggah `banking.csv` kumpulan data ke lokasi Amazon Simple Storage Service (Amazon S3), Anda menggunakannya untuk membuat sumber data pelatihan. Sumber data adalah objek Amazon Machine Learning (Amazon ML) yang berisi lokasi data input dan metadata penting tentang data input Anda. Amazon ML menggunakan sumber data untuk operasi seperti pelatihan dan evaluasi model ML.
Untuk membuat sumber data, berikan yang berikut ini:
+ Lokasi Amazon S3 dari data Anda dan izin untuk mengakses data
+ Skema, yang mencakup nama-nama atribut dalam data dan jenis setiap atribut (Numerik, Teks, Kategori, atau Biner)
+ Nama atribut yang berisi jawaban yang Anda ingin Amazon ML pelajari untuk memprediksi, atribut target
**catatan**
Sumber data tidak benar-benar menyimpan data Anda, itu hanya mereferensikannya. Hindari memindahkan atau mengubah file yang disimpan di Amazon S3. Jika Anda memindahkan atau mengubahnya, Amazon ML tidak dapat mengaksesnya untuk membuat model ML, menghasilkan evaluasi, atau menghasilkan prediksi.
**Untuk membuat sumber data pelatihan**
1. Buka konsol Amazon Machine Learning di [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Pilih **Mulai**.
**catatan**
Tutorial ini mengasumsikan bahwa ini adalah pertama kalinya Anda menggunakan Amazon ML. Jika Anda pernah menggunakan Amazon ML sebelumnya, Anda dapat menggunakan **Create new...** daftar drop-down di dasbor Amazon Amazon untuk membuat sumber data baru.
1. Pada halaman **Memulai Amazon Machine Learning**, pilih **Luncurkan**.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/get-started-launch.png)
1. Pada halaman **Input Data**, untuk **Di mana data Anda berada**? , pastikan bahwa **S3** dipilih.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image5.png)
1. Untuk **Lokasi S3**, ketik lokasi lengkap `banking.csv ` file dari Langkah 1: Siapkan Data Anda. Sebagai contoh: *your-bucket***/banking.csv**. Amazon MLmenambahkan s3://ke nama bucket Anda untuk Anda.
1. Untuk **nama Datasource**, ketik. **Banking Data 1**
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image6.png)
1. Pilih **Verifikasi**.
1. **Di kotak dialog **izin S3**, pilih Ya.**
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image7.png)
1. Jika Amazon ML dapat mengakses dan membaca file data di lokasi S3, Anda akan melihat halaman yang mirip dengan berikut ini. Tinjau properti, lalu pilih **Lanjutkan**.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image8.png)
Selanjutnya, Anda membuat skema. *Skema* adalah informasi yang dibutuhkan Amazon MLL untuk menafsirkan data input untuk model ML, termasuk nama atribut dan tipe data yang ditetapkan, dan nama atribut khusus. Ada dua cara untuk menyediakan Amazon ML dengan skema:
+ Berikan file skema terpisah saat Anda mengunggah data Amazon S3 Anda.
+ Izinkan Amazon ML menyimpulkan jenis atribut dan membuat skema untuk Anda.
Dalam tutorial ini, kita akan meminta Amazon ML untuk menyimpulkan skema.
Untuk informasi tentang membuat file skema terpisah, lihat[Membuat Skema Data untuk Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Untuk memungkinkan Amazon ML menyimpulkan skema**
1. Pada halaman **Skema**, Amazon ML menunjukkan skema yang disimpulkan. Tinjau tipe data yang disimpulkan Amazon ML untuk atribut. Penting bahwa atribut diberikan tipe data yang benar untuk membantu Amazon ML mencerna data dengan benar dan untuk mengaktifkan pemrosesan fitur yang benar pada atribut.
+ Atribut yang hanya memiliki dua kemungkinan status, seperti ya atau tidak, harus ditandai sebagai **Biner**.
+ **Atribut yang merupakan angka atau string yang digunakan untuk menunjukkan kategori harus ditandai sebagai Kategoris.**
+ Atribut yang merupakan besaran numerik yang urutannya bermakna harus ditandai sebagai **Numerik**.
+ **Atribut yang merupakan string yang ingin Anda perlakukan sebagai kata yang dibatasi oleh spasi harus ditandai sebagai Teks.**
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image10.png)
1. Dalam tutorial ini, Amazon ML telah mengidentifikasi tipe data untuk semua atribut dengan benar, jadi pilih **Lanjutkan**.
Selanjutnya, pilih atribut target.
Ingatlah bahwa targetnya adalah atribut yang harus dipelajari oleh model ML untuk diprediksi. Atribut **y** menunjukkan apakah seseorang telah berlangganan kampanye di masa lalu: 1 (ya) atau 0 (tidak).
**catatan**
Pilih atribut target hanya jika Anda akan menggunakan sumber data untuk melatih dan mengevaluasi model ML.
**Untuk memilih y sebagai atribut target**
1. Di kanan bawah tabel, pilih panah tunggal untuk maju ke halaman terakhir tabel, di mana atribut bernama `y` muncul.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image11.png)
1. Di kolom **Target**, pilih`y`.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image12.png)
Amazon ML mengonfirmasi bahwa **y** dipilih sebagai target Anda.
1. Pilih **Lanjutkan**.
1. Pada halaman **ID Baris**, untuk **Apakah data Anda berisi pengenal?** , pastikan bahwa **Tidak**, default, dipilih.
1. Pilih **Review**, lalu pilih **Continue**.
Sekarang setelah Anda memiliki sumber data pelatihan, Anda siap untuk [membuat](step-3-create-an-ml-model.md) model Anda.
# Langkah 3: Buat Model ML
Setelah Anda membuat sumber data pelatihan, Anda menggunakannya untuk membuat model ML, melatih model, dan kemudian mengevaluasi hasilnya. Model ML adalah kumpulan pola yang ditemukan Amazon dalam data Anda selama pelatihan. Anda menggunakan model untuk membuat prediksi.
**Untuk membuat model ML**
1. **Karena wizard Memulai membuat sumber data pelatihan dan model, Amazon Machine Learning (Amazon ML) secara otomatis menggunakan sumber data pelatihan yang baru saja Anda buat, dan membawa Anda langsung ke halaman pengaturan model ML.** Pada halaman **pengaturan model** **ML, untuk nama model** ML, pastikan bahwa default**ML model: Banking Data 1**,, ditampilkan.
Menggunakan nama ramah, seperti default, membantu Anda mengidentifikasi dan mengelola model ML dengan mudah.
1. Untuk **pengaturan Pelatihan dan evaluasi**, pastikan bahwa **Default** dipilih.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image19.png)
1. Untuk **Nama evaluasi ini**, terima defaultnya,**Evaluation: ML model: Banking Data 1**.
1. Pilih **Tinjau**, tinjau pengaturan Anda, lalu pilih **Selesai**.
Setelah Anda memilih **Selesai**, Amazon ML menambahkan model Anda ke antrian pemrosesan. Saat Amazon ML membuat model Anda, model tersebut menerapkan default dan melakukan tindakan berikut:
+ Membagi sumber data pelatihan menjadi dua bagian, satu berisi 70% data dan satu berisi 30% sisanya
+ Melatih model ML pada bagian yang berisi 70% dari data input
+ Mengevaluasi model menggunakan 30% sisanya dari data input
Saat model Anda dalam antrian, Amazon ML melaporkan statusnya sebagai **Tertunda**. Meskipun Amazon ML membuat model Anda, Amazon melaporkan statusnya sebagai **Sedang Berlangsung**. Ketika telah menyelesaikan semua tindakan, ia melaporkan status sebagai **Selesai**. Tunggu evaluasi selesai sebelum melanjutkan.
Sekarang Anda siap untuk [meninjau kinerja model Anda dan menetapkan skor cut-off](step-4-review-model-and-set-cutoff.md).
Untuk informasi lebih lanjut tentang pelatihan dan evaluasi model, lihat [Pelatihan Model ML](training-ml-models.md) dan[Mengevaluasi Model ML](evaluating_models.md).
# Langkah 4: Tinjau Kinerja Prediktif Model ML dan Tetapkan Ambang Skor
Sekarang setelah Anda membuat model ML dan Amazon Machine Learning (Amazon ML) telah mengevaluasinya, mari kita lihat apakah itu cukup baik untuk digunakan. Selama evaluasi, Amazon ML menghitung metrik kualitas standar industri, yang disebut metrik Area Under a Curve (AUC), yang mengekspresikan kualitas kinerja model ML Anda. Amazon ML juga menafsirkan metrik AUC untuk memberi tahu Anda apakah kualitas model ML memadai untuk sebagian besar aplikasi pembelajaran mesin. (Pelajari lebih lanjut tentang AUC di[Mengukur Akurasi Model ML](binary-model-insights.md#measuring-ml-model-accuracy).) Mari kita tinjau metrik AUC, lalu sesuaikan ambang skor atau cut-off untuk mengoptimalkan kinerja prediktif model Anda.
**Untuk meninjau metrik AUC untuk model ML Anda**
1. **Pada halaman **ringkasan model ML**, di panel navigasi **laporan model ML**, pilih **Evaluasi**, pilih **Evaluasi: Model ML: Model perbankan 1**, lalu pilih Ringkasan.**
1. Pada halaman **ringkasan Evaluasi**, tinjau ringkasan evaluasi, termasuk metrik kinerja AUC model.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image24.png)
Model ML menghasilkan skor prediksi numerik untuk setiap catatan dalam sumber data prediksi, dan kemudian menerapkan ambang batas untuk mengubah skor ini menjadi label biner 0 (untuk tidak) atau 1 (untuk ya). Dengan mengubah *ambang skor*, Anda dapat menyesuaikan cara model ML menetapkan label ini. Sekarang, atur ambang skor.
**Untuk menetapkan ambang skor untuk model ML Anda**
1. Pada halaman **Ringkasan Evaluasi**, pilih **Sesuaikan Ambang Skor.**
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image25.png)
Anda dapat menyempurnakan metrik kinerja model ML Anda dengan menyesuaikan ambang skor. Menyesuaikan nilai ini mengubah tingkat kepercayaan yang harus dimiliki model dalam prediksi sebelum menganggap prediksi itu positif. Ini juga mengubah berapa banyak negatif palsu dan positif palsu yang bersedia Anda toleransi dalam prediksi Anda.
Anda dapat mengontrol batas untuk apa yang dianggap model sebagai prediksi positif dengan meningkatkan ambang skor hingga hanya menganggap prediksi dengan kemungkinan tertinggi menjadi positif sejati sebagai positif. Anda juga dapat mengurangi ambang skor sampai Anda tidak lagi memiliki negatif palsu. Pilih cutoff Anda untuk mencerminkan kebutuhan bisnis Anda. Untuk tutorial ini, setiap positif palsu membutuhkan uang kampanye, jadi kami menginginkan rasio positif sejati yang tinggi terhadap positif palsu.
1. Katakanlah Anda ingin menargetkan 3% pelanggan teratas yang akan berlangganan produk. Geser pemilih vertikal untuk mengatur ambang skor ke nilai yang sesuai dengan **3% dari catatan diprediksi sebagai “1"**.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image26.png)
Perhatikan dampak ambang skor ini pada kinerja model ML: tingkat positif palsu adalah 0,007. Mari kita asumsikan bahwa tingkat positif palsu dapat diterima.
1. Pilih **Simpan ambang skor pada 0,77**.
Setiap kali Anda menggunakan model ML ini untuk membuat prediksi, itu akan memprediksi catatan dengan skor lebih dari 0,77 sebagai “1", dan sisa catatan sebagai “0".
Untuk mempelajari lebih lanjut tentang ambang skor, lihat[Klasifikasi Biner](binary-classification.md).
Sekarang Anda siap untuk [membuat prediksi menggunakan model Anda](step-5-create-predictions.md).
# Langkah 5: Gunakan Model ML untuk Menghasilkan Prediksi
Amazon Machine Learning (Amazon Learning) dapat menghasilkan dua jenis prediksi — batch dan real-time.
*Prediksi waktu nyata* adalah prediksi untuk pengamatan tunggal yang dihasilkan Amazon ML. sesuai permintaan. Prediksi real-time sangat ideal untuk aplikasi seluler, situs web, dan aplikasi lain yang perlu menggunakan hasil secara interaktif.
*Prediksi batch* adalah seperangkat prediksi untuk sekelompok pengamatan. Amazon ML memproses catatan dalam prediksi batch bersama-sama, sehingga pemrosesan dapat memakan waktu. Gunakan prediksi batch untuk aplikasi yang memerlukan prediksi untuk serangkaian pengamatan atau prediksi yang tidak menggunakan hasil secara interaktif.
Untuk tutorial ini, Anda akan menghasilkan prediksi real-time yang memprediksi apakah satu pelanggan potensial akan berlangganan produk baru. Anda juga akan menghasilkan prediksi untuk sejumlah besar pelanggan potensial. Untuk prediksi batch, Anda akan menggunakan `banking-batch.csv` file yang Anda unggah. [Langkah 1: Siapkan Data Anda](step-1-download-edit-and-upload-data.md)
Mari kita mulai dengan prediksi real-time.
**catatan**
Untuk aplikasi yang memerlukan prediksi real-time, Anda harus membuat titik akhir real-time untuk model ML. Anda akan dikenakan biaya saat titik akhir real-time tersedia. Sebelum Anda berkomitmen untuk menggunakan prediksi real-time dan mulai mengeluarkan biaya yang terkait dengannya, Anda dapat mencoba menggunakan fitur prediksi real-time di browser web Anda, tanpa membuat titik akhir real-time. Itulah yang akan kita lakukan untuk tutorial ini.
**Untuk mencoba prediksi waktu nyata**
1. Di panel navigasi **laporan model ML**, pilih **Coba prediksi real-time**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Pilih **Tempel catatan**.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/paste-a-record.png)
1. Dalam kotak dialog **Tempel catatan**, tempel pengamatan berikut:
```
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. Dalam kotak dialog **Tempel catatan**, pilih **Kirim** untuk mengonfirmasi bahwa Anda ingin menghasilkan prediksi untuk pengamatan ini. Amazon ML mengisi nilai dalam bentuk prediksi real-time.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/value-column.png)
**catatan**
Anda juga dapat mengisi bidang **Nilai** dengan mengetikkan nilai individual. Terlepas dari metode yang Anda pilih, Anda harus memberikan pengamatan yang tidak digunakan untuk melatih model.
1. Di bagian bawah halaman, pilih **Buat prediksi.**
Prediksi muncul di panel **Hasil prediksi** di sebelah kanan. Prediksi ini memiliki **label Prediksi**`0`, yang berarti bahwa pelanggan potensial ini tidak mungkin menanggapi kampanye. **Label yang diprediksi** `1` akan berarti bahwa pelanggan cenderung merespons kampanye.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/real-time-result.png)
Sekarang, buat prediksi batch. Anda akan memberikan Amazon ML dengan nama model ML yang Anda gunakan; lokasi Amazon Simple Storage Service (Amazon S3) dari data input yang ingin Anda hasilkan prediksi (Amazon ML akan membuat sumber data prediksi batch dari data ini); dan lokasi Amazon S3 untuk menyimpan hasilnya.
**Untuk membuat prediksi batch**
1. Pilih **Amazon Machine Learning**, lalu pilih **Batch Predictions.**
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image29.png)
1. Pilih **Buat prediksi batch baru**.
1. Pada halaman **model ML untuk prediksi batch**, pilih **model ML: Data Perbankan 1**.
Amazon ML menampilkan nama model, ID, waktu pembuatan, dan ID sumber data terkait.
1. Pilih **Lanjutkan**.
1. Untuk menghasilkan prediksi, Anda perlu memberikan Amazon MLdata yang Anda perlukan prediksi. Ini disebut *data input*. Pertama, masukkan data input ke sumber data sehingga Amazon ML dapat mengaksesnya.
Untuk **Cari data input**, pilih **Data saya ada di S3, dan saya perlu membuat sumber data**.
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image31.png)
1. Untuk **nama Datasource**, ketik. **Banking Data 2**
1. Untuk **Lokasi S3**, ketik lokasi lengkap `banking-batch.csv` file: *your-bucket***/banking-batch.csv**.
1. Untuk **Apakah baris pertama di CSV Anda berisi nama kolom?** , pilih **Ya**.
1. Pilih **Verifikasi**.
Amazon ML memvalidasi lokasi data Anda.
1. Pilih **Lanjutkan**.
1. Untuk **tujuan S3**, ketik nama lokasi Amazon S3 tempat Anda mengunggah file di Langkah 1: Siapkan Data Anda. Amazon ML mengunggah hasil prediksi di sana.
1. Untuk **nama prediksi Batch**, terima default,**Batch prediction: ML model: Banking Data 1**. Amazon ML memilih nama default berdasarkan model yang akan digunakan untuk membuat prediksi. Dalam tutorial ini, model dan prediksi dinamai menurut sumber data pelatihan,. `Banking Data 1`
1. Pilih **Tinjau**.
1. **Di kotak dialog **izin S3**, pilih Ya.**
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image32.png)
1. Pada halaman **Ulasan**, pilih **Selesai**.
Permintaan prediksi batch dikirim ke Amazon ML dan dimasukkan ke dalam antrian. Waktu yang dibutuhkan Amazon ML untuk memproses prediksi batch bergantung pada ukuran sumber data Anda dan kompleksitas model ML Anda. Sementara Amazon ML memproses permintaan, ia melaporkan status **Sedang Berlangsung**. Setelah prediksi batch selesai, status permintaan berubah menjadi **Selesai**. Sekarang, Anda dapat melihat hasilnya.
**Untuk melihat prediksi**
1. Pilih **Amazon Machine Learning**, lalu pilih **Batch Predictions.**
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image33.png)
1. Dalam daftar prediksi, pilih **Prediksi Batch: Model ML: Data Perbankan 1**. Halaman **info prediksi Batch** muncul.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image34.png)
1. **Untuk melihat hasil prediksi batch, buka konsol Amazon S3 di dan arahkan ke lokasi Amazon S3 yang direferensikan [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)di bidang URL Output S3.** Dari sana, navigasikan ke folder hasil, yang akan memiliki nama yang mirip dengan`s3://aml-data/batch-prediction/result`.
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image35.png)
Prediksi disimpan dalam file.gzip terkompresi dengan ekstensi.gz.
1. Unduh file prediksi ke desktop Anda, buka kompres, dan buka.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image36.png)
File ini memiliki dua kolom, **BestAnswer** dan **skor**, dan satu baris untuk setiap pengamatan di sumber data Anda. Hasil di kolom **BestAnswer** didasarkan pada ambang skor 0,77 yang Anda tetapkan. [Langkah 4: Tinjau Kinerja Prediktif Model ML dan Tetapkan Ambang Skor](step-4-review-model-and-set-cutoff.md) **Skor** yang lebih besar dari 0,77 menghasilkan **BestAnswer** 1, yang merupakan respons atau prediksi positif, dan **skor** kurang dari 0,77 menghasilkan **BestAnswer** 0, yang merupakan respons atau prediksi negatif.
Contoh berikut menunjukkan prediksi positif dan negatif berdasarkan ambang skor 0.77.
Prediksi positif:
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image37.png)
Dalam contoh ini, nilai untuk **BestAnswer** adalah 1, dan nilai **skor** adalah 0.8228876. Nilai untuk **BestAnswer** adalah 1 karena **skor** lebih besar dari ambang skor 0,77. **BestAnswer** of 1 menunjukkan bahwa pelanggan cenderung membeli produk Anda, dan, oleh karena itu, dianggap sebagai prediksi positif.
Prediksi negatif:
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image38.png)
Dalam contoh ini, nilai **BestAnswer** adalah 0 karena nilai **skornya** adalah 0,7695356, yang kurang dari ambang skor 0,77. **BestAnswer** dari 0 menunjukkan bahwa pelanggan tidak mungkin membeli produk Anda, dan, oleh karena itu, dianggap sebagai prediksi negatif.
Setiap baris hasil batch sesuai dengan baris dalam input batch Anda (pengamatan di sumber data Anda).
Setelah menganalisis prediksi, Anda dapat menjalankan kampanye pemasaran yang ditargetkan; misalnya, dengan mengirim selebaran ke semua orang dengan skor prediksi. `1`
Sekarang setelah Anda membuat, meninjau, dan menggunakan model Anda, [bersihkan data dan sumber daya AWS yang Anda buat](step-6-clean-up.md) untuk menghindari biaya yang tidak perlu dan menjaga ruang kerja Anda tetap rapi.
# Langkah 6: Bersihkan
Untuk menghindari biaya tambahan Amazon Simple Storage Service (Amazon S3), hapus data yang disimpan di Amazon S3. Anda tidak dikenakan biaya untuk sumber daya Amazon Amazon yang tidak digunakan lainnya, tetapi kami menyarankan Anda menghapusnya untuk menjaga ruang kerja Anda tetap bersih.
**Untuk menghapus data input yang disimpan di Amazon S3**
1. Buka konsol Amazon S3 di. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Arahkan ke lokasi Amazon S3 tempat Anda menyimpan file `banking.csv` dan `banking-batch.csv` file.
1. Pilih`banking.csv`,`banking-batch.csv`, dan `.writePermissionCheck.tmp` file.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Saat diminta konfirmasi, pilih **OK**.
Meskipun Anda tidak dikenakan biaya untuk menyimpan catatan prediksi batch yang dijalankan Amazon ML atau sumber data, model, dan evaluasi yang Anda buat selama tutorial, sebaiknya Anda menghapusnya untuk mencegah kekacauan ruang kerja Anda.
**Untuk menghapus prediksi batch**
1. Arahkan ke lokasi Amazon S3 tempat Anda menyimpan output prediksi batch.
1. Pilih `batch-prediction` folder.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Saat diminta konfirmasi, pilih **OK**.
**Untuk menghapus sumber daya Amazon Amazon**
1. Di dasbor Amazon, pilih sumber daya berikut.
+ Sumber `Banking Data 1` data
+ Sumber `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]` data
+ Sumber `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]` data
+ Sumber `Banking Data 2` data
+ Model `ML model: Banking Data 1` ML
+ `Evaluation: ML model: Banking Data 1`Evaluasi
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Di kotak dialog, pilih **Hapus untuk menghapus** semua sumber daya yang dipilih.
Anda sekarang telah berhasil menyelesaikan tutorial. Untuk terus menggunakan konsol untuk membuat sumber data, model, dan prediksi, lihat Panduan Pengembang [Amazon Machine](https://docs.aws.amazon.com/machine-learning/latest/dg/) Learning. Untuk mempelajari cara menggunakan API, lihat [Referensi API Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).