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.

# Eseguire un processo Processing con scikit-learn
<a name="use-scikit-learn-processing-container"></a>

Puoi utilizzare Amazon SageMaker Processing per elaborare dati e valutare modelli con script scikit-learn in un'immagine Docker fornita da Amazon AI. SageMaker Di seguito viene fornito un esempio su come eseguire un processo di Amazon SageMaker Processing utilizzando scikit-learn.

[Per un taccuino di esempio che mostra come eseguire script scikit-learn utilizzando un'immagine Docker fornita e gestita da SageMaker AI per preelaborare i dati e valutare i modelli, vedi scikit-learn Processing.](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker_processing/scikit_learn_data_processing_and_model_evaluation) Per utilizzare questo notebook, è necessario installare SageMaker AI Python SDK for Processing. 

Questo notebook esegue un processo di elaborazione utilizzando la `SKLearnProcessor` classe dell'SDK SageMaker Python per eseguire uno script scikit-learn fornito dall'utente. Lo script preelabora i dati, addestra un modello utilizzando un processo di SageMaker formazione e quindi esegue un processo di elaborazione per valutare il modello addestrato. Il processo di elaborazione stima il modo in cui il modello dovrebbe funzionare in produzione.

[Per ulteriori informazioni sull'utilizzo di SageMaker Python SDK con i contenitori Processing, consulta SageMaker Python SDK.](https://sagemaker.readthedocs.io/en/stable/) Per un elenco completo delle immagini Docker predefinite disponibili per i processi di elaborazione, consulta [Percorsi di registro Docker e codice di esempio](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths).

Il seguente esempio di codice mostra come il notebook esegue il proprio script scikit-learn utilizzando un'immagine Docker fornita e gestita da SageMaker AI, anziché la propria immagine Docker. `SKLearnProcessor`

```
from sagemaker.sklearn.processing import SKLearnProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput

sklearn_processor = SKLearnProcessor(framework_version='0.20.0',
                                     role=role,
                                     instance_type='ml.m5.xlarge',
                                     instance_count=1)

sklearn_processor.run(code='preprocessing.py',
                      inputs=[ProcessingInput(
                        source='s3://path/to/my/input-data.csv',
                        destination='/opt/ml/processing/input')],
                      outputs=[ProcessingOutput(source='/opt/ml/processing/output/train'),
                               ProcessingOutput(source='/opt/ml/processing/output/validation'),
                               ProcessingOutput(source='/opt/ml/processing/output/test')]
                     )
```

Per elaborare i dati in parallelo utilizzando Scikit-Learn Amazon SageMaker Processing, puoi suddividere gli oggetti di input tramite chiave S3 impostandoli `s3_data_distribution_type='ShardedByS3Key'` all'interno di a in `ProcessingInput` modo che ogni istanza riceva all'incirca lo stesso numero di oggetti di input.