Non aggiorniamo più il servizio Amazon Machine Learning né accettiamo nuovi utenti. Questa documentazione è disponibile per gli utenti esistenti, ma non la aggiorniamo più. Per ulteriori informazioni, consulta [Cos'è Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Tutorial: utilizzare Amazon ML per prevedere le risposte a un'offerta di marketing
Con Amazon Machine Learning (Amazon ML), puoi creare e addestrare modelli predittivi e ospitare le tue applicazioni in una soluzione cloud scalabile. In questo tutorial, ti mostriamo come utilizzare la console Amazon ML per creare un'origine dati, creare un modello di machine learning (ML) e utilizzare il modello per generare previsioni da utilizzare nelle tue applicazioni.
L'esercitazione di esempio illustra come identificare i potenziali clienti per una campagna di marketing mirata, ma è possibile applicare gli stessi principi per creare e utilizzare una vasta gamma di modelli ML. Per completare l'esercitazione di esempio si utilizzeranno i set di dati di banking e marketing pubblici della [University of California a Irvine (UCI) Machine Learning Repository](http://archive.ics.uci.edu/ml/datasets.php). Questi set di dati contengono dati generali sui clienti e informazioni su come hanno reagito ai precedenti contatti di marketing. Si possono utilizzare questi dati per identificare quali clienti hanno maggiori probabilità di effettuare una sottoscrizione al nuovo prodotto, un deposito bancario a termine, noto anche come certificato di deposito (CD).
**avvertimento**
Questo tutorial non è incluso nel piano gratuito AWS. Per ulteriori informazioni sui prezzi di Amazon ML, consulta la pagina dei prezzi di [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Prerequisito
Per eseguire il tutorial, è necessario disporre di un account AWS. Se non si dispone di un account AWS, consultare [Impostazione di Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Fasi
+ [Fase 1. Preparare i dati](step-1-download-edit-and-upload-data.md)
+ [Fase 2. Creare un'origine dati di addestramento](step-2-create-a-datasource.md)
+ [Fase 3. Creare un modello ML](step-3-create-an-ml-model.md)
+ [Fase 4. Esaminare le prestazioni predittive del modello ML e impostare un punteggio soglia](step-4-review-model-and-set-cutoff.md)
+ [Fase 5. Utilizzare il modello ML per generare previsioni](step-5-create-predictions.md)
+ [Passaggio 6: Pulizia](step-6-clean-up.md)
# Fase 1. Preparare i dati
Nel machine learning, in genere è possibile ottenere i dati e assicurarsi che siano correttamente formattati prima di avviare il processo di addestramento. Ai fini di questo tutorial, abbiamo ottenuto un set di dati di esempio dall'[UCI Machine Learning Repository](http://archive.ics.uci.edu/ml/), lo abbiamo formattato per renderlo conforme alle linee guida di Amazon ML e lo abbiamo reso disponibile per il download. Scarica il set di dati dalla nostra posizione di archiviazione Amazon Simple Storage Service (Amazon S3) e caricalo nel tuo bucket S3 seguendo le procedure riportate in questo argomento.
Per i requisiti di formattazione di Amazon ML, consulta[Comprendere il formato dei dati per Amazon ML](understanding-the-data-format-for-amazon-ml.md).
**Per scaricare i set di dati**
1. Scaricare il file che contiene i dati cronologici dei clienti che hanno acquistato prodotti simili al deposito bancario a termine facendo clic su [banking.zip](samples/banking.zip). Decomprimere la cartella e salvare il file banking.csv sul computer.
1. Scarica il file che userai per prevedere se i potenziali clienti risponderanno alla tua offerta facendo clic su [banking-batch.zip](samples/banking-batch.zip). Decomprimere la cartella e salvare il file banking-batch.csv sul computer.
1. Aprire `banking.csv`. Verranno visualizzate righe e colonne di dati. La *riga di intestazione* contiene i nomi degli attributi di ogni colonna. Un *attributo* è una proprietà denominata in modo univoco che descrive una determinata caratteristica di ciascun cliente; ad esempio, nr\$1employed indica lo stato lavorativo del cliente. Ogni riga rappresenta la raccolta delle osservazioni relative a un singolo cliente.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image1.png)
Si vuole che il modello ML risponda alla domanda "Il cliente effettuerà la sottoscrizione al mio nuovo prodotto?". Nel set di dati `banking.csv`, la risposta a questa domanda è l'attributo **y**, che contiene i valori 1 (per sì) o 0 (per no). L'attributo che vuoi che Amazon ML impari a prevedere è noto come *attributo target*.
**Nota**
L'attributo **y** è un attributo binario. Può contenere solo uno di due valori, in questo caso 0 o 1. Nel set di dati UCI originale, l'attributo **y** è Sì o No. Abbiamo modificato il set di dati originale per l'utente. Tutti i valori dell'attributo **y** che significano sì sono ora 1 e tutti i valori che significano no sono ora 0. Se si utilizzano propri dati, è possibile impiegare altri valori per un attributo binario. Per ulteriori informazioni sui valori validi, consultare [Utilizzo del campo AttributeType](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
I seguenti esempi mostrano i dati prima e dopo la modifica dei valori dell'attributo **y** in attributi binari 0 e 1.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/it_it/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/it_it/machine-learning/latest/dg/images/image3.png)
Il file `banking-batch.csv` non contiene l'attributo **y**. Dopo aver creato un modello ML, si utilizzerà il modello per prevedere **y** per ciascun record di quel file.
Quindi, carica i `banking-batch.csv` file `banking.csv ` and su Amazon S3.
**Per caricare i file su una posizione Amazon S3**
1. Accedi a Console di gestione AWS e apri la console Amazon S3 all'indirizzo. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Nell'elenco **All Buckets (Tutti i bucket)**, creare un bucket o scegliere il percorso in cui si vogliono caricare i file.
1. Nella barra di navigazione, scegliere **Upload (Carica)**.
1. Seleziona **Aggiungi file**.
1. Nella finestra di dialogo, passare al desktop, scegliere `banking.csv` e `banking-batch.csv`, quindi **Open (Apri)**.
Ora è possibile [creare la propria origine dati di addestramento](step-2-create-a-datasource.md).
# Fase 2. Creare un'origine dati di addestramento
Dopo aver caricato il `banking.csv` set di dati nella tua posizione Amazon Simple Storage Service (Amazon S3), lo usi per creare un'origine dati di formazione. Un'origine dati è un oggetto Amazon Machine Learning (Amazon ML) che contiene la posizione dei dati di input e metadati importanti sui dati di input. Amazon ML utilizza l'origine dati per operazioni come la formazione e la valutazione di modelli ML.
Per creare un'origine dati, è necessario fornire quanto segue:
+ Ubicazione dei dati in Amazon S3 e autorizzazione ad accedere ai dati
+ Lo schema, che include i nomi degli attributi dei dati e il tipo di ogni attributo (Numeric, Text, Categorical o Binary)
+ Il nome dell'attributo che contiene la risposta che vuoi che Amazon ML impari a prevedere, l'attributo target
**Nota**
Nell'origine dati non vengono memorizzati i dati, ma solo i riferimenti ad essi. Evita di spostare o modificare i file archiviati in Amazon S3. Se li sposti o li modifichi, Amazon ML non può accedervi per creare un modello di machine learning, generare valutazioni o generare previsioni.
**Per creare un'origine dati di addestramento**
1. Apri la console Amazon Machine Learning all'indirizzo [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Scegli **Avvia**.
**Nota**
Questo tutorial presuppone che sia la prima volta che utilizzi Amazon ML. Se hai già utilizzato Amazon ML, puoi utilizzare il comando **Crea nuovo...** elenco a discesa nella dashboard di Amazon ML per creare una nuova origine dati.
1. Nella pagina Guida **introduttiva ad Amazon Machine Learning**, scegli **Launch**.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/get-started-launch.png)
1. Nella pagina **Input Data (Dati di input)**, per **Where is your data located? (Dove si trovano i tuoi dati?)**, assicurarsi che sia stato selezionato **S3**.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image5.png)
1. Per **S3 Location (Posizione S3)**, digitare il percorso completo del file `banking.csv ` della Fase 1. Preparare i dati. Ad esempio: *your-bucket***/banking.csv**. Amazon ML aggiunge s3://al tuo nome del bucket.
1. Per **Datasource name (Nome origine dati)**, digitare **Banking Data 1**.
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image6.png)
1. Selezionare **Verify (Verifica)**.
1. Nella finestra di dialogo **S3 permissions (Autorizzazioni S3)**, scegliere **Yes (Sì)**.
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image7.png)
1. Se Amazon ML è in grado di accedere e leggere il file di dati nella posizione S3, verrà visualizzata una pagina simile alla seguente. Verificare le proprietà e scegliere **Continue (Continua)**.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image8.png)
Dopo occorre stabilire uno schema. Uno *schema* è l'informazione di cui Amazon ML ha bisogno per interpretare i dati di input per un modello ML, inclusi i nomi degli attributi e i tipi di dati assegnati e i nomi degli attributi speciali. Esistono due modi per fornire ad Amazon ML uno schema:
+ Fornisci un file di schema separato quando carichi i dati di Amazon S3.
+ Consenti ad Amazon ML di dedurre i tipi di attributi e creare uno schema per te.
In questo tutorial, chiederemo ad Amazon ML di dedurre lo schema.
Per informazioni sulla creazione di un file di schema separato, consultare [Creazione di uno schema di dati per Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Per consentire ad Amazon ML di dedurre lo schema**
1. Nella pagina **Schema**, Amazon ML mostra lo schema che ha dedotto. Esamina i tipi di dati che Amazon ML ha dedotto per gli attributi. È importante che agli attributi venga assegnato il tipo di dati corretto per consentire ad Amazon ML di assimilare correttamente i dati e consentire la corretta elaborazione delle funzionalità sugli attributi.
+ Gli attributi che hanno solo due stati possibili, come ad esempio sì o no, devono essere contrassegnati come **Binary (Binario)**.
+ Gli attributi che sono numeri o stringhe utilizzati per denotare una categoria devono essere contrassegnati come **Categorical (Categorico)**.
+ Gli attributi che sono quantità numeriche per le quali l'ordine è significativo devono essere contrassegnati come **Numeric (Numerico)**.
+ Gli attributi che sono stringhe che si desidera trattare come parole delimitate da spazi devono essere contrassegnati come **Text (Testo)**.
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image10.png)
1. In questo tutorial, Amazon ML ha identificato correttamente i tipi di dati per tutti gli attributi, quindi scegli **Continua**.
Quindi, selezionare un attributo di destinazione.
Ricordare che la destinazione è l'attributo che il modello ML deve imparare a prevedere. L'attributo **y** indica se un singolo ha aderito a una campagna in passato: 1 (sì) o 0 (no).
**Nota**
Scegliere un attributo di destinazione solo se si utilizza l'origine dati per l'addestramento e la valutazione di modelli ML.
**Per selezionare y come attributo di destinazione**
1. In basso a destra nella tabella, scegliere la freccia singola per passare all'ultima pagina della tabella, dove è visualizzato l'attributo denominato `y`.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image11.png)
1. Nella colonna **Target (Destinazione)**, selezionare `y`.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image12.png)
Amazon ML conferma che **y** è selezionato come obiettivo.
1. Scegli **Continua**.
1. Nella pagina **Row ID (ID riga)** per **Does your data contain an identifier? (I dati contengono un identificatore?)**, assicurarsi che sia selezionata l'impostazione predefinita **No**.
1. Selezionare **Review (Rivedi)**, quindi **Continue (Continua)**.
Ora che si dispone di un'origine dati di addestramento, è possibile [creare il proprio modello](step-3-create-an-ml-model.md).
# Fase 3. Creare un modello ML
Dopo aver creato l'origine dati di addestramento, la si utilizza per creare un modello ML, addestrare il modello e quindi valutare i risultati. Il modello ML è una raccolta di modelli che Amazon ML trova nei dati durante l'addestramento. È possibile utilizzare il modello per creare previsioni.
**Creazione di un modello ML**
1. **Poiché la procedura guidata introduttiva crea sia un'origine dati di formazione che un modello, Amazon Machine Learning (Amazon ML) utilizza automaticamente l'origine dati di formazione che hai appena creato e ti porta direttamente alla pagina delle impostazioni del modello ML.** Nella pagina **ML model settings (Impostazioni modello ML)** per **ML model name (Nome modello ML)**, occorre verificare che sia visualizzato il modello ML predefinito **ML model: Banking Data 1**.
L'utilizzo di un nome descrittivo, come quello dell'impostazione predefinita, consente di identificare e gestire facilmente il modello ML.
1. Per **Training and evaluation settings (Impostazioni di addestramento e valutazione)**, accertarsi che sia stato selezionata l'opzione **Default**.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image19.png)
1. Per **Name this evaluation (Denomina questa valutazione)** accettare l'impostazione predefinita **Evaluation: ML model: Banking Data 1**.
1. Scegliere **Review (Rivedi)**, rivedere le impostazioni e scegliere **Finish (Fine)**.
Dopo aver scelto **Finish**, Amazon ML aggiunge il modello alla coda di elaborazione. Quando Amazon ML crea il tuo modello, applica le impostazioni predefinite ed esegue le seguenti azioni:
+ Divide l'origine dati per l'addestramento in due sezioni, una che contiene il 70% dei dati e l'altra che contiene il restante 30%
+ Forma il modello ML nella sezione che contiene il 70% dei dati di input
+ Valuta il modello utilizzando il restante 30% dei dati di input
Mentre il modello è in coda, Amazon ML riporta lo stato come **In sospeso**. Mentre Amazon ML crea il tuo modello, riporta lo stato come **In corso**. Quando tutte le operazioni sono state completate, comunica lo stato come **Completed (Completato)**. Attendere il complemento della valutazione prima di continuare.
Ora è possibile [esaminare le prestazioni del modello e impostare un punteggio limite](step-4-review-model-and-set-cutoff.md).
Per ulteriori informazioni sull'addestramento e la valutazione dei modelli, vedere [Addestramento dei modelli ML](training-ml-models.md) e [Valutazione dei modelli ML](evaluating_models.md).
# Fase 4. Esaminare le prestazioni predittive del modello ML e impostare un punteggio soglia
Ora che hai creato il tuo modello di machine learning e che Amazon Machine Learning (Amazon ML) lo ha valutato, vediamo se è abbastanza buono da utilizzarlo. Durante la valutazione, Amazon ML ha calcolato una metrica di qualità standard del settore, denominata metrica Area Under a Curve (AUC), che esprime la qualità delle prestazioni del tuo modello di machine learning. Amazon ML interpreta anche la metrica AUC per dirti se la qualità del modello ML è adeguata per la maggior parte delle applicazioni di machine learning. (Ulteriori informazioni su AUC sono disponibili in [Misurazione dell'accuratezza del modello ML](binary-model-insights.md#measuring-ml-model-accuracy)). Rivediamo il parametro AUC e quindi regoliamo il punteggio soglia o limite per ottimizzare le prestazioni predittive del modello.
**Esame del parametro AUC per il modello ML**
1. Nella pagina **ML model summary (Riepilogo del modello ML)**, nel riquadro di navigazione **ML model report (Report del modello ML)**, scegliere **Evaluations (Valutazioni)**, **Evaluation: ML model: Banking model 1 (Valutazione: modello ML: Banking model 1)**, quindi **Summary (Riepilogo)**.
1. Nella pagina **Evaluation summary (Riepilogo della valutazione)** esaminare il riepilogo della valutazione, compreso il parametro AUC delle prestazioni del modello.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image24.png)
Il modello ML genera punteggi di previsione numerici per ogni record in un'origine dati di previsione e quindi applica una soglia per convertire questi punteggi in etichette binarie di 0 (per no) o 1 (per sì). Modificando il *punteggio soglia*, è possibile regolare il modo in cui il modello ML assegna queste etichette. Ora passiamo all'impostazione del punteggio soglia.
**Per impostare un punteggio soglia per il modello ML**
1. Nella pagina **Evaluation Summary (Riepilogo della valutazione)**, scegliere **Adjust Score Threshold (Adegua punteggio soglia)**.
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image25.png)
È possibile ottimizzare i parametri delle prestazioni del modello ML regolando il punteggio soglia. La regolazione di questo valore cambia il livello di fiducia che il modello deve avere in una previsione prima di ritenere che la previsione sia positiva. Inoltre, modifica il numero di falsi negativi e falsi positivi che si è disposti a tollerare nelle previsioni.
È possibile controllare il livello limite di ciò che il modello considera una previsione positiva aumentando il punteggio soglia fino a considerare positive solo le previsioni con la massima probabilità di essere tali. È anche possibile ridurre il punteggio soglia finché non avrà più falsi negativi. Si può scegliere il proprio cutoff in base alle esigenze aziendali. Ai fini di questo tutorial, ogni falso positivo comporta costi per la campagna, perciò vogliamo un rapporto elevato di veri positivi rispetto ai falsi positivi.
1. Supponiamo di avere come target il primo 3% dei clienti che effettueranno la sottoscrizione al prodotto. Far scorrere il selettore verticale per impostare il punteggio soglia su un valore che corrisponda a **3% of the records are predicted as "1" (3% dei record previsti come "1")**.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image26.png)
Si noti l'impatto di questo punteggio soglia sulle prestazioni del modello ML: la percentuale di falsi positivi è 0,007. Supponiamo che tale percentuale di falsi positivi sia accettabile.
1. Scegliere **Save score threshold at 0.77 (Salva punteggio soglia a 0,77)**.
Ogni volta che si utilizzerà questo modello ML per fare previsioni, il modello sarà in grado di prevedere i record con punteggi superiori a 0,77 come "1" e il resto dei record come "0".
Per ulteriori informazioni sul punteggio soglia, consultare [Classificazione binaria](binary-classification.md).
Ora è possibile [creare previsioni utilizzando il modello](step-5-create-predictions.md).
# Fase 5. Utilizzare il modello ML per generare previsioni
Amazon Machine Learning (Amazon ML) può generare due tipi di previsioni: in batch e in tempo reale.
Una *previsione in tempo reale* è una previsione per una singola osservazione generata da Amazon ML su richiesta. Le previsioni in tempo reale sono ideali per applicazioni per dispositivi mobili, siti Web e altre applicazioni che devono utilizzare i risultati in modo interattivo.
Una *previsione in batch* è un insieme di previsioni per un gruppo di osservazioni. Amazon ML elabora insieme i record in una previsione in batch, quindi l'elaborazione può richiedere del tempo. Usare le previsioni in batch per le applicazioni che richiedono previsioni per un set di osservazioni o previsioni che non utilizzano i risultati in modo interattivo.
Per questo tutorial, verrà generata un previsione in tempo reale per prevedere se un potenziale cliente effettuerà la sottoscrizione al nuovo prodotto. Verranno inoltre generate previsioni per un batch di grandi dimensioni di potenziali clienti. Per la previsione in batch, si utilizzerà il file `banking-batch.csv` che è stato caricato in [Fase 1. Preparare i dati](step-1-download-edit-and-upload-data.md).
Iniziamo con una previsione in tempo reale.
**Nota**
Per le applicazioni che richiedono previsioni in tempo reale, è necessario creare un endpoint in tempo reale per il modello ML. Durante la disponibilità di un endpoint in tempo reale sono previsti addebiti di costi. Prima di decidere di utilizzare le previsioni in tempo reale e iniziare a sostenere i costi associati, è possibile provare a usare la funzione di previsione in tempo reale in un browser Web, senza creare un endpoint in tempo reale. È quanto faremo per questo tutorial.
**Per provare una previsione in tempo reale**
1. Nel riquadro di navigazione **ML model report (Report del modello ML)**, scegliere **Try real-time predictions (Prova le previsioni in tempo reale)**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Scegliere **Paste a record (Incolla un record)**.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/paste-a-record.png)
1. Nella finestra di dialogo **Paste a record (Incolla un record)**, incollare la seguente osservazione:
```
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. Nella finestra di dialogo **Incolla un record**, scegli **Invia** per confermare che desideri generare una previsione per questa osservazione. Amazon ML inserisce i valori nel modulo di previsione in tempo reale.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/value-column.png)
**Nota**
È inoltre possibile popolare i campi **Value (Valore)** digitando i singoli valori. Indipendentemente dal metodo scelto, si deve fornire un'osservazione che non è stata utilizzata per addestrare il modello.
1. Nella parte inferiore della pagina, scegliere **Create prediction (Crea previsione)**.
La previsione appare nel riquadro **Prediction results (Risultati delle previsioni)** a destra. Questa previsione ha una **Predicted label (Etichetta prevista)** corrispondente a `0`, il che significa che è improbabile che il potenziale cliente reagisca alla campagna. Una **Predicted label (Etichetta prevista)** uguale a `1` significherebbe che è probabile che il cliente reagisca alla campagna.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/real-time-result.png)
Ora si procede alla creazione di una previsione in batch. Fornirai ad Amazon ML il nome del modello ML che stai utilizzando, la posizione Amazon Simple Storage Service (Amazon S3) dei dati di input per i quali desideri generare previsioni (Amazon ML creerà un'origine dati di previsione in batch da questi dati) e la posizione Amazon S3 per l'archiviazione dei risultati.
**Per creare una previsione in batch.**
1. Scegliere **Amazon Machine Learning**, quindi **Batch Predictions (Previsioni in batch)**.
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image29.png)
1. Scegliere **Create new batch prediction (Crea nuova previsione in batch)**.
1. Nella pagina **ML model for batch predictions (Modello ML per le previsioni in batch)**, scegliere **ML model: Banking Data 1 (Modello ML: Banking Data 1)**.
Amazon ML visualizza il nome del modello ML, l'ID, l'ora di creazione e l'ID dell'origine dati associato.
1. Scegli **Continua**.
1. Per generare previsioni, devi fornire ad Amazon ML i dati per cui ti servono le previsioni. Si chiamano *dati di input*. Innanzitutto, inserisci i dati di input in un'origine dati in modo che Amazon ML possa accedervi.
Per **Locate the input data (Individuare i dati di input)**, scegliere **My data is in S3, and I need to create a datasource (I miei dati sono in S3 e devo creare un'origine dati)**.
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image31.png)
1. Per **Datasource name (Nome origine dati)**, digitare **Banking Data 2**.
1. Per **S3 Location**, digita la posizione completa del `banking-batch.csv` file:. *your-bucket* **/banking-batch.csv**
1. Per **Does the first line in your CSV contain the column names? (La prima riga del CSV contiene i nomi di colonna?)**, scegliere **Yes (Sì)**.
1. Selezionare **Verify (Verifica)**.
Amazon ML convalida la posizione dei tuoi dati.
1. Scegli **Continua**.
1. Per la **destinazione S3**, digita il nome della posizione Amazon S3 in cui hai caricato i file nella Fase 1: Prepara i tuoi dati. Amazon ML carica i risultati della previsione lì.
1. Per il **nome della previsione Batch**, accetta l'impostazione predefinita,**Batch prediction: ML model: Banking Data 1**. Amazon ML sceglie il nome predefinito in base al modello che utilizzerà per creare previsioni. In questo tutorial, il modello e le previsioni sono denominati sulla base dell'origine dati `Banking Data 1`.
1. Scegli **Rivedi**.
1. Nella finestra di dialogo **S3 permissions (Autorizzazioni S3)**, scegliere **Yes (Sì)**.
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image32.png)
1. Nella pagina **Review (Rivedi)**, scegliere **Finish (Fine)**.
La richiesta di previsione in batch viene inviata ad Amazon ML e inserita in una coda. Il tempo impiegato da Amazon ML per elaborare una previsione in batch dipende dalla dimensione dell'origine dati e dalla complessità del modello di machine learning. Mentre Amazon ML elabora la richiesta, riporta lo stato **In corso**. Dopo aver completato la previsione in batch, lo stato della richiesta diventa **Completed (Completato)**. A quel punto è possibile visualizzare i risultati.
**Per visualizzare le previsioni**
1. Scegliere **Amazon Machine Learning**, quindi **Batch Predictions (Previsioni in batch)**.
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image33.png)
1. Nell'elenco delle previsioni, scegliere **Batch prediction: ML model: Banking Data 1 (Previsione in batch: modello ML: Banking Data 1)**. Viene visualizzata la pagina **Batch prediction info (Informazioni sulla previsione in batch)**.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image34.png)
1. **Per visualizzare i risultati della previsione in batch, vai alla console Amazon S3 all'[https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)indirizzo e accedi alla posizione Amazon S3 a cui si fa riferimento nel campo URL Output S3.** Da qui, accedere alla cartella dei risultati, che ha un nome simile 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/it_it/machine-learning/latest/dg/images/image35.png)
La previsione è memorizzata in un file compresso .gzip con estensione .gz.
1. Scaricare il file di previsione nel desktop, decomprimerlo e aprirlo.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image36.png)
Il file ha due colonne, **bestAnswer (migliore risposta)** e **score (punteggio)** e una riga per ogni osservazione all'interno dell'origine dati. I risultati nella colonna **bestAnswer (migliore risposta)** sono basati sul punteggio soglia di 0,77 impostato in [Fase 4. Esaminare le prestazioni predittive del modello ML e impostare un punteggio soglia](step-4-review-model-and-set-cutoff.md). Uno **score (punteggio)** maggiore di 0,77 dà origine a una **bestAnswer (migliore risposta)** di 1, che costituisce una risposta o previsione positiva, e uno **score (punteggio)** inferiore a 0,77 dà origine a una **bestAnswer (migliore risposta)** di 0, che costituisce una risposta o previsione negativa.
I seguenti esempi mostrano previsioni positive e negative basate sul punteggio soglia di 0,77.
Previsione positiva:
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image37.png)
In questo esempio, il valore di **bestAnswer (migliore risposta)** è 1 e il valore di **score (punteggio)** è 0,8228876. Il valore di **bestAnswer (migliore risposta)** è 1 perché **score (punteggio)** è superiore al punteggio soglia di 0,77. Un valore **bestAnswer (migliore risposta)** 1 indica che è probabile che il cliente acquisterà il prodotto e, pertanto, è considerata una previsione positiva.
Previsione negativa:
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/image38.png)
In questo esempio, il valore di **bestAnswer (migliore risposta)** è 0 perché il valore di **score (punteggio)** è 0,7695356, che è inferiore al punteggio soglia di 0,77. Un valore **bestAnswer (migliore risposta)** 0 indica che è improbabile che il cliente acquisterà il prodotto e, pertanto, è considerata una previsione negativa.
Ogni riga del risultato in batch corrisponde a una riga nell'input in batch (un'osservazione nell'origine dati).
Dopo aver analizzato le previsioni, è possibile avviare la campagna di marketing mirata, ad esempio inviando volantini a tutti gli utenti con un punteggio previsto di `1`.
Dopo aver creato, rivisto e utilizzato il modello, [ripulire i dati e le risorse AWS creati](step-6-clean-up.md) per evitare di incorrere in costi inutili e mantenere il workspace ordinato.
# Passaggio 6: Pulizia
Per evitare costi aggiuntivi per Amazon Simple Storage Service (Amazon S3), elimina i dati archiviati in Amazon S3. Non ti vengono addebitati costi per altre risorse Amazon ML inutilizzate, ma ti consigliamo di eliminarle per mantenere pulito il tuo spazio di lavoro.
**Per eliminare i dati di input memorizzati in Amazon S3**
1. Apri la console Amazon S3 all'indirizzo. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Passa alla posizione Amazon S3 in cui hai archiviato i file `banking.csv` and`banking-batch.csv`.
1. Selezionare i file `banking.csv``banking-batch.csv` e `.writePermissionCheck.tmp`.
1. Scegli **Azioni**, quindi **Elimina**.
1. Quando viene richiesta la conferma, selezionare **OK**.
Sebbene non ti venga addebitato alcun costo per la registrazione della previsione in batch eseguita da Amazon ML o delle origini dati, del modello e della valutazione che hai creato durante il tutorial, ti consigliamo di eliminarli per evitare di ingombrare il tuo spazio di lavoro.
**Per eliminare le previsioni in batch**
1. Passa alla posizione Amazon S3 in cui hai archiviato l'output della previsione del batch.
1. Scegliere la cartella `batch-prediction`.
1. Scegli **Azioni**, quindi **Elimina**.
1. Quando viene richiesta la conferma, selezionare **OK**.
**Per eliminare le risorse Amazon ML**
1. Nella dashboard di Amazon ML, seleziona le seguenti risorse.
+ L'origine dati `Banking Data 1`
+ L'origine dati `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]`
+ L'origine dati `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]`
+ L'origine dati `Banking Data 2`
+ Il modello `ML model: Banking Data 1`
+ La valutazione `Evaluation: ML model: Banking Data 1`
1. Scegli **Azioni**, quindi **Elimina**.
1. Nella finestra di dialogo, scegliere **Delete (Elimina)** per eliminare tutte le risorse selezionate.
Il tutorial è stato completato con successo. Per continuare a utilizzare la console per creare fonti di dati, modelli e previsioni, consulta l'[Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/) Developer Guide. Per ulteriori informazioni su come utilizzare le API, consultare la [documentazione di riferimento delle API di Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).