Amazon Machine Learning サービスの更新や、その新しいユーザーの受け入れは行っていません。このドキュメントは既存のユーザー向けに提供されていますが、更新は終了しています。詳細については、「[Amazon Machine Learning とは](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)」を参照してください。
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# 予測の生成と解釈
Amazon ML には、非同期 (バッチベース) と同期 (一度に 1 つ) という予測を生成する 2 つのメカニズムがあります。
多数の観測値を持ち、観測値の予測をまとめて取得する場合は、非同期予測、または*バッチ予測*****を使用します。プロセスはデータソースを入力として使用し、選択した S3 バケットに格納された .csv ファイルに予測を出力します。予測結果にアクセスする前に、バッチ予測プロセスが完了するまで待つ必要があります。Amazon ML がバッチファイルで処理できるデータソースの最大サイズは 1 TB (約 1 億レコード) です。データソースが 1 TB より大きい場合、ジョブは失敗し、Amazon ML はエラーコードを返します。これを防ぐには、データを複数のバッチに分割します。レコードが通常長い場合、1 億のレコードが処理される前に 1 TB の制限に達します。この場合、[AWS support](https://aws.amazon.com/contact-us/) に連絡して、バッチ予測のジョブサイズを増やすことをお勧めします。
低いレイテンシーで予測を取得する場合は、同期、または*リアルタイム予測***、**を使用します。リアルタイム予測 API は、JSON 文字列としてシリアル化された単一の入力観測を受け入れ、予測と関連するメタデータを API 応答の一部として同期的に返します。API を複数回呼び出し、並行して同期予測を取得することができます。リアルタイム予測 API のスループット制限の詳細については、[Amazon ML API リファレンス](https://docs.aws.amazon.com/machine-learning/latest/APIReference/)のリアルタイム予測制限を参照してください 。
**Topics**
+ [バッチ予測の作成](creating-batch-prediction-objects.md)
+ [バッチ予測メトリクスの確認](working-with-batch-predictions.md)
+ [バッチ予測出力ファイルの読み込み](reading-the-batchprediction-output-files.md)
+ [リアルタイム予測のリクエスト](requesting-real-time-predictions.md)
# バッチ予測の作成
バッチ予測を作成するには、Amazon Machine Learning (Amazon ML) コンソールまたは API を使用して `BatchPrediction` オブジェクトを作成します。`BatchPrediction` オブジェクトは、ML モデルと一連の入力観測を使用して Amazon ML が生成する一連の予測を記述します。`BatchPrediction` オブジェクトを作成すると、Amazon ML は予測を計算する非同期ワークフローを開始します。
バッチ予測を取得するために使用するデータソースと、予測をクエリする ML モデルを訓練するために使用したデータソースに同じスキーマを使用する必要があります。唯一の例外は、Amazon ML はターゲットを予測するため、バッチ予測のデータソースにターゲット属性を含める必要がないことです。ターゲット属性を指定すると、Amazon ML はその値を無視します。
## バッチ予測の作成 (コンソール)
Amazon ML コンソールを使用してバッチ予測を作成するには、バッチ予測の作成ウィザードを使用します。
**バッチ予測を作成するには (コンソール)**
1. にサインイン AWS マネジメントコンソール し、[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) で Amazon Machine Learning コンソールを開きます。
1. Amazon ML ダッシュボードの **[Objects]** (オブジェクト) の下で、**[Create new...]** (新規作成...)、**[Batch prediction]** (バッチ予測) の順に選択します。
1. バッチ予測の作成に使用する Amazon ML モデルを選択します。
1. このモデルを使用することを確認するには、[**続行**] を選択します。
1. 予測を作成するデータソースを選択します。データソースに、ターゲット属性を含める必要はありませんが、モデルと同じスキーマを持たなければなりません。
1. [**Continue**]（続行） を選択します。
1. [**S3 の宛先**] には、S3 バケットの名前を入力します。
1. [**Review**] (レビュー) を選択します。
1. 設定を確認し、[**バッチ予測の生成**] を選択します。
## バッチ予測の作成 (API)
Amazon ML API を使用して `BatchPrediction` オブジェクトを作成するには、次のパラメータを指定する必要があります。
** データソース ID**
予測が必要な観測値を指し示すデータソースの ID。たとえば、`s3://examplebucket/input.csv` というファイル内のデータの予測を行う場合は、データファイルを指すデータソースオブジェクトを作成し、このパラメータを使用してそのデータソースの ID を渡します。
**BatchPrediction ID**
バッチ予測に割り当てる ID。
**ML モデル ID**
Amazon ML が予測を照会する ML モデルの ID。
**出力 URI**
予測の出力を格納する S3 バケットの URI。Amazon ML には、このバケットにデータを書き込む権限が必要です。
`OutputUri` パラメータは、次の例に示すように、スラッシュ ("/") で終わる S3 パスを参照する必要があります。
s3://examplebucket/examplepath/
S3 アクセス権限の設定については、[Amazon S3 に予測を出力するために Amazon ML のアクセス許可を得る](granting-amazon-ml-permissions-to-output-predictions-to-amazon-s3.md) を参照してください。
**(オプション) BatchPrediction 名**
(オプション) バッチ予測のための人間が読み取れる名前。
# バッチ予測メトリクスの確認
Amazon Machine Learning (Amazon ML) がバッチ予測を作成したら、2 つのメトリクス、`Records seen` および `Records failed to process` が提供されます。`Records seen` は、Amazon ML がバッチ予測を実行したときに調べたレコードの数を示します。`Records failed to process` は、Amazon ML が処理できなかったレコードの数を示します。
Amazon ML が失敗したレコードを処理できるようにするには、データソースの作成に使用されたデータのレコードのフォーマットをチェックし、必要なすべての属性が存在し、すべてのデータが正しいことを確認します。データを修正したら、バッチ予測を再作成するか、または、失敗したレコードで新しいデータソースを作成した後、新しいデータソースを使用して新しいバッチ予測を作成することができます。
## バッチ予測メトリクスの確認 (コンソール)
Amazon ML コンソールでメトリクスを表示するには、**[Batch prediction summary]** (バッチ予測の概要) ページを開き、**[Processed Info]** (処理済みの情報) セクションを確認します。
## バッチ予測メトリクスと詳細の確認 (API)
Amazon ML API を使用して、レコードメトリクスを含む、`BatchPrediction` オブジェクトの詳細を取得できます。Amazon ML では、以下のバッチ予測 API コールを提供します。
+ `CreateBatchPrediction`
+ `UpdateBatchPrediction`
+ `DeleteBatchPrediction`
+ `GetBatchPrediction`
+ `DescribeBatchPredictions`
詳細については、「[Amazon ML API リファレンス](https://docs.aws.amazon.com/machine-learning/latest/APIReference/)」を参照してください。
# バッチ予測出力ファイルの読み込み
バッチ予測出力ファイルを取得するには、次の手順を実行します。
1. バッチ予測のマニフェストファイルを見つけます。
1. マニフェストファイルを読み、出力ファイルの場所を決定します。
1. 予測を含む出力ファイルを取得します。
1. 出力ファイルの内容を解釈します。コンテンツは、予測を生成するために使用された ML モデルのタイプによって異なります。
次のセクションでは、手順について詳しく説明します。
## バッチ予測のマニフェストファイルを見つける
バッチ予測のマニフェストファイルには、入力ファイルを予測出力ファイルにマップする情報が含まれています。
マニフェストファイルを見つけるには、バッチ予測オブジェクトを作成したときに指定した出力場所から開始します。完了したバッチ予測オブジェクトをクエリして、[Amazon ML API](https://docs.aws.amazon.com/machine-learning/latest/APIReference/) または [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) のいずれかを使用して、このファイルの S3 の場所を取得できます。
マニフェストファイルは、出力場所とマニフェストファイルの名前 (拡張子 `/batch-prediction/` が追加されたバッチ予測の ID) に追加される静的な文字列 `.manifest` で構成されるパスの出力場所にあります。
たとえば、ID `bp-example` でバッチ予測オブジェクトを作成し、S3 の場所 `s3://examplebucket/output/` を出力場所として指定すると、ここにマニフェストファイルを見つけられます。
`s3://examplebucket/output/batch-prediction/bp-example.manifest`
## マニフェストファイルの読み込み
マニフェストファイルのコンテンツは JSON マップとしてエンコードされます。キーは S3 入力データファイルの名前の文字列で、値は関連するバッチ予測結果ファイルの文字列です。各入力/出力ファイルのペアには 1 つのマッピング行があります。これまでの例を引き続き使用します。`BatchPrediction` オブジェクトの作成の入力が、`s3://examplebucket/input/` にある data.csv という単一のファイルで構成されている場合、次のようなマッピング文字列が表示されることがあります。
```
{"s3://examplebucket/input/data.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data.csv.gz"}
```
`BatchPrediction` オブジェクトの作成への入力が、data1.csv、data2.csv、および data3.csv という 3 つのファイルで構成され、それらがすべて S3 の場所 `s3://examplebucket/input/` に格納されている場合は、マッピング文字列は次のようになります。
```
{"s3://examplebucket/input/data1.csv":"s3://examplebucket/output/batch-prediction/result/bp-example-data1.csv.gz",
"s3://examplebucket/input/data2.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data2.csv.gz",
"s3://examplebucket/input/data3.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data3.csv.gz"}
```
## バッチ予測出力ファイルの取得
マニフェストマッピングから取得した各バッチ予測ファイルをダウンロードし、ローカルで処理することができます。ファイル形式は CSV で、gzip アルゴリズムで圧縮されています。そのファイル内には、対応する入力ファイルの入力観測ごとに 1 行があります。
予測をバッチ予測の入力ファイルと結合するには、2 つのファイルのレコードごとの簡単なマージを実行します。バッチ予測の出力ファイルには、常に予測入力ファイルと同じ数のレコードが同じ順序で含まれています。入力観測が処理に失敗し、予測を生成できない場合、バッチ予測の出力ファイルは、対応する場所に空白行を持ちます。
## バイナリ分類 ML モデルのバッチ予測ファイルのコンテンツの解釈
バイナリ分類モデルのバッチ予測ファイルの列は、**bestAnswer** および **score** と呼ばれます。
**bestAnswer** 列には、予測スコアをカットオフスコアと比較して得られた予測ラベル (「1」または「0」) が含まれます。カットオフスコアの詳細については、「[スコアカットオフの調整](https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html)」を参照してください。ML モデルのカットオフスコアは Amazon ML API または Amazon ML コンソールのモデル評価機能のいずれかを使用して設定します。カットオフスコアを設定しない場合、Amazon ML ではデフォルト値の 0.5 が使用されます。
**スコア**列には、この予測のために ML モデルによって割り当てられた未加工の予測スコアが含まれています。Amazon ML はロジスティック回帰モデルを使用するため、このスコアは真の (「1」) 値に対応する監視の確率をモデル化しようとします。**スコア**は科学的表記で報告されるので、次の例の最初の行では、値 8.7642E-3 は 0.0087642 に等しいことに注意してください。
たとえば、ML モデルのカットオフスコアが 0.75 の場合、バイナリ分類モデルのバッチ予測出力ファイルのコンテンツは次のようになります。
```
bestAnswer,score
0,8.7642E-3
1,7.899012E-1
0,6.323061E-3
0,2.143189E-2
1,8.944209E-1
```
入力ファイルの 2 番目と 5 番目の観測値は 0.75 を超える予測スコアを受けているため、これらの観測値の bestAnswer 列は値「1」を示し、他の観測値は値「0」を示します。
## 複数クラスの分類 ML モデルのバッチ予測ファイルのコンテンツの解釈
複数クラスモデルのバッチ予測ファイルには、トレーニングデータに含まれるクラスごとに 1 つの列が含まれています。バッチ予測ファイルのヘッダー行に列名が表示されます。
複数クラスモデルから予測をリクエストすると、Amazon ML は、入力ファイルの各観測について、(入力データセットで定義されている各クラスに 1 つずつ) いくつかの予測スコアを計算します。これは、他のクラスと対照して、この観察がこのクラスに当てはまる確率 (0 と 1 の間で測定される) を尋ねているのと同等です。各スコアは、「観察がこのクラスに属する確率」と解釈することができます。予測スコアは、任意のクラスに属する観測の基盤となる確率をモデル化するため、行全体のすべての予測スコアの合計は 1 です。モデルの予測クラスとして 1 つのクラスを選択する必要があります。最も一般的には、最も高い確率を持つクラスをベストアンサーとして選択します。
たとえば、1～5 の星スケールに基づいて、製品の顧客の評価を予測しようとします。クラスの名前が `1_star`、`2_stars`、`3_stars`、`4_stars`、および `5_stars` である場合、複数クラスの予測出力ファイルは次のようになります。
```
1_star, 2_stars, 3_stars, 4_stars, 5_stars
8.7642E-3, 2.7195E-1, 4.77781E-1, 1.75411E-1, 6.6094E-2
5.59931E-1, 3.10E-4, 2.48E-4, 1.99871E-1, 2.39640E-1
7.19022E-1, 7.366E-3, 1.95411E-1, 8.78E-4, 7.7323E-2
1.89813E-1, 2.18956E-1, 2.48910E-1, 2.26103E-1, 1.16218E-1
3.129E-3, 8.944209E-1, 3.902E-3, 7.2191E-2, 2.6357E-2
```
この例では、最初の観測値は `3_stars` クラスの予測スコア (予測スコア = 4.77781E-1) が最も高いため、結果は `3_stars` クラスがこの観測のベストアンサーであると解釈します。予測スコアは科学的表記で報告されるので、4.77781E-1 の予測スコアは 0.477781 に等しいことに注意してください。
確率が最も高いクラスを選択したくない場合があります。たとえば、最小しきい値を確立するため、その値以下では、予測スコアが最も高い場合でもそのクラスをベストアンサーとみない場合があります。映画をジャンルに分類し、そのジャンルをベストアンサーと宣言する前に予測スコアを少なくとも 5E-1 にしたいとします。コメディに対して 3E-1、ドラマに対して 2.5E-1、ドキュメンタリーに対して 2.5E-1、およびアクション映画に対して 2E-1 の予測スコアを得るとします。この場合、ML モデルはコメディが最も可能性の高い選択肢だと予測しますが、それをベストアンサーとして選択しないことにします。予測スコアはどれもベースライン予測スコア 5E-1 を上回っていないため、その予測がそのジャンルを確実に予測するには不十分であると判断し、何か他のものを選択することになります。アプリケーションでは、このムービーのジャンルフィールドは「不明」として扱われます。
## 回帰 ML モデルのバッチ予測ファイルのコンテンツの解釈
回帰モデルのバッチ予測ファイルには、**score** という名前の列が 1 つ含まれています。この列には、入力データ内の各観測の未加工の数値予測が含まれます。値は科学的表記で報告されるので、-1.526385E1 という **score** は次の例の最初の行で -15.26835 に等しくなります。
この例では、回帰モデルで実行されるバッチ予測の出力ファイルを示しています。
```
score
-1.526385E1
-6.188034E0
-1.271108E1
-2.200578E1
8.359159E0
```
# リアルタイム予測のリクエスト
リアルタイム予測は、Amazon Machine Learning (Amazon ML) への同期呼び出しです。Amazon ML がリクエストを受け取ったときに予測が作成され、すぐにレスポンスが返されます。リアルタイム予測は一般的に、インタラクティブなウェブアプリケーション、モバイルアプリケーション、デスクトップアプリケーションで予測機能を有効にするのに使用されます。低レイテンシー `Predict` API を使用して、Amazon ML で作成された ML モデルに対してリアルタイム予測のためのクエリを実行します。この `Predict` オペレーションでは、リクエストペイロードで 1 つの入力観測を受け入れ、レスポンスで同期的に予測を返します。これは、入力観測の位置を示す Amazon ML の ID データソースオブジェクトで呼び出され、すべての観測の予測を含むファイルの URI を非同期に返す、バッチ予測 API とは別のものです。Amazon ML はほとんどのリアルタイム予測リクエストに 100 ミリ秒以内に応答します。
Amazon ML コンソールの料金を発生させずにリアルタイム予測を試すことができます。リアルタイム予測を使用すると決定した場合、最初にリアルタイム予測生成のエンドポイントを作成します。これは Amazon ML コンソールまたは `CreateRealtimeEndpoint` API を使用して実行できます。エンドポイントの作成後、リアルタイム予測 API を使用してリアルタイム予測を生成します。
**注記**
モデルのリアルタイムエンドポイントを作成した後、モデルのサイズに応じたキャパシティー予約の料金が発生し始めます。詳細については、「[料金](https://aws.amazon.com/machine-learning/pricing/)」を参照してください。リアルタイムエンドポイントをコンソールで作成する場合、コンソールにはエンドポイントで継続的に発生する予想請求額の内訳が表示されます。そのモデルによるリアルタイム予測の取得が不要になった場合に料金を発生させないためには、コンソールまたは `DeleteRealtimeEndpoint` オペレーションを使用して、リアルタイムエンドポイントを削除します。
`Predict` のリクエストとレスポンスの例については、「*Amazon Machine Learning API リファレンス*」の「[Predict](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)」を参照してください。自分のモデルを使用する正確なレスポンス形式の例を参照するには、「[リアルタイム予測の試用](#testing-real-time-predictions)」を参照してください。
**Topics**
+ [リアルタイム予測の試用](#testing-real-time-predictions)
+ [リアルタイムエンドポイントの作成](#creating-a-real-time-endpoint)
+ [リアルタイム予測エンドポイント (コンソール) を見つける](#locate-endpoint-by-console)
+ [リアルタイム予測エンドポイント (API) を見つける](#locating-the-real-time-prediction-endpoint)
+ [リアルタイム予測リクエストの作成](#real-time-prediction-request-format)
+ [リアルタイムエンドポイントの削除](#delete-endpoint)
## リアルタイム予測の試用
リアルタイム予測を有効にするかどうかを判断するのを助けるために、リアルタイム予測エンドポイントの設定に関係する追加料金を発生させずに、Amazon ML で単一のデータレコードの予測の生成を実際に試すことができます。リアルタイム予測をテストするには、ML モデルを持っている必要があります。大きな規模でリアルタイム予測を作成するには、「*Amazon Machine Learning API リファレンス*」の [Predict](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) API を使用します。
**リアルタイム予測を試用するには**
1. にサインイン AWS マネジメントコンソール し、[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) で Amazon Machine Learning コンソールを開きます。
1. ナビゲーションバーの [**Amazon Machine Learning**] ドロップダウンで [**ML モデル**] を選択します。
1. チュートリアルから `Subscription propensity model` など、リアルタイム予測に試用するモデルを選択します。
1. [ML モデルレポート] ページで、[**予測**] から [**概要**] を選択し、次に [**リアルタイム予測の試用**] を選択します。
![\[Tools section with option to try real-time predictions.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/try-real-time.png)
Amazon ML は、Amazon ML がモデルのトレーニングに使用したデータレコードに含まれていた変数のリストを表示します。
1. 続行するには、フォームの各フィールドにデータを入力するか、1 つのデータレコードを CSV 形式でテキストボックスに貼り付けます。
フォームを使用するには、各 [**値**] フィールドに、リアルタイム予測のテストに使用したいデータを入力します。入力しているデータレコードに 1 つまたは複数のデータ属性の値が含まれていない場合、入力フィールドは空白のままにします。
データレコードを提供する場合、[**レコードの貼り付け**] を選択します。テキストフィールドに CSV 形式の 1 つのデータ行を貼り付け、**[Submit]** (送信) を選択します。Amazon ML が **[Value]** (値) フィールドに自動的に入力します。
**注記**
データレコードのデータの列の数はトレーニングデータと同じで、同じ順序に配置されている必要があります。唯一の例外は、ターゲット値を省略する必要があることです。ターゲット値を含めた場合、Amazon ML はそれを無視します。
1. ページの下部で、[**予測の作成**] を選択します。Amazon ML はすぐに予測を返します。
[**予測結果**] ペインに、`Predict` API コールが返した予測オブジェクトに加えて、ML モデルタイプ、ターゲット変数の名前、予測されたクラスまたは値が表示されます。結果の解釈の詳細については、「[バイナリ分類 ML モデルのバッチ予測ファイルのコンテンツの解釈](reading-the-batchprediction-output-files.md#interpreting-the-contents-of-batch-prediction-files-for-a-binary-classification-ml-model)」を参照してください。
![\[Prediction results showing binary ML model type with predicted label 0 and score details.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/real-time-result.png)
## リアルタイムエンドポイントの作成
リアルタイム予測を生成するには、リアルタイムエンドポイントを作成する必要があります。リアルタイムエンドポイントを作成するには、リアルタイム予測を生成する ML モデルを既に持っている必要があります。リアルタイムエンドポイントは、Amazon ML コンソールを使用するか、`CreateRealtimeEndpoint` API を呼び出して作成できます。`CreateRealtimeEndpoint` API の使用の詳細については、「Amazon Machine Learning API リファレンス」の「[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html)」を参照してください。
**リアルタイムエンドポイントを作成するには**
1. にサインイン AWS マネジメントコンソール し、[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) で Amazon Machine Learning コンソールを開きます。
1. ナビゲーションバーの [**Amazon Machine Learning**] ドロップダウンで [**ML モデル**] を選択します。
1. リアルタイム予測を生成したいモデルを選択します。
1. [**ML モデルの要約**] ページの [**予測**] で、[**リアルタイムエンドポイントの作成**] を選択します。
リアルタイム予測の課金方法を説明するダイアログボックスが表示されます。
1. **[作成]** を選択します。リアルタイムエンドポイントのリクエストが Amazon ML に送信され、キューに入ります。リアルタイムエンドポイントのステータスは [**更新中**] になります。
![\[Real-time endpoint status shown as "Updating" in a user interface element.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/endpoint-updating.png)
1. リアルタイムエンドポイントの準備ができたら、ステータスは **[Ready]** (準備完了) に変化し、Amazon ML はエンドポイントの URL を表示します。エンドポイントの URL を使用して、`Predict` API のリアルタイム予測リクエストを作成します。`Predict` API の使用の詳細については、「Amazon Machine Learning API リファレンス」の「[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)」を参照してください。
![\[Real-time endpoint status showing Ready with an endpoint URL and Peak Requests Per Second value.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/endpoint-ready.png)
## リアルタイム予測エンドポイント (コンソール) を見つける
Amazon ML コンソールを使用して ML モデルの URL エンドポイントを見つけるには、モデルの **[ML model summary]** (ML モデルの要約) ページに移動します。
**リアルタイムエンドポイントの URL を見つけるには**
1. にサインイン AWS マネジメントコンソール し、[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) で Amazon Machine Learning コンソールを開きます。
1. ナビゲーションバーの [**Amazon Machine Learning**] ドロップダウンで [**ML モデル**] を選択します。
1. リアルタイム予測を生成したいモデルを選択します。
1. [**ML モデルの要約**] ページで、[**予測**] セクションが表示されるまで下へスクロールします。
1. モデルのエンドポイントの URL は [**リアルタイム予測**] に表示されます。リアルタイム予測の呼び出でこの URL を、[**エンドポイント URL**] URL として使用します。エンドポイントを使用して予測を生成する方法については、「Amazon Machine Learning API リファレンス」の「[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)」を参照してください。
## リアルタイム予測エンドポイント (API) を見つける
`CreateRealtimeEndpoint` オペレーションを使用してリアルタイムエンドポイントを作成すると、レスポンスで URL とエンドポイントのステータスが返されます。コンソールを使用してリアルタイムエンドポイントを作成した場合、または以前に作成したエンドポイントの URL や状態を取得する場合、リアルタイム予測用にクエリしたいモデルの ID を指定して `GetMLModel` オペレーションを呼び出します。エンドポイント情報は、レスポンスの `EndpointInfo` セクションに含まれています。リアルタイムエンドポイントが関連付られているモデルの場合、`EndpointInfo` は次のようになります。
```
"EndpointInfo":{
"CreatedAt": 1427864874.227,
"EndpointStatus": "READY",
"EndpointUrl": "https://endpointUrl",
"PeakRequestsPerSecond": 200
}
```
リアルタイムエンドポイントがないモデルは次のように返します。
```
EndpointInfo":{
"EndpointStatus": "NONE",
"PeakRequestsPerSecond": 0
}
```
## リアルタイム予測リクエストの作成
サンプル `Predict` リクエストペイロードは次のようになります。
```
{
"MLModelId": "model-id",
"Record":{
"key1": "value1",
"key2": "value2"
},
"PredictEndpoint": "https://endpointUrl"
}
```
[`PredictEndpoint`] フィールドは `EndpointInfo` 構造の [`EndpointUrl`] フィールドに対応している必要があります。Amazon ML は、リアルタイム予測フリートの適切なサーバーにリクエストをルーティングするためにこのフィールドを使用します。
`MLModelId` は、以前にトレーニングを受けた、リアルタイムエンドポイントがあるモデルの識別子です。
`Record` は変数名と変数値のマップです。各ペアは観測を表します。`Record` マップには、Amazon ML モデルへの入力が含まれます。これは、ターゲット変数がないトレーニングデータセットの 1 行のデータに相当します。トレーニングデータの値のタイプにかかわらず、`Record` は文字列から文字列へのマッピングを含みます。
**注記**
値を持っていない変数を省略できますが、その場合予測精度が低下することがあります。変数が多いほど、モデルはより正確になります。
`Predict` リクエストによって返されるレスポンスのフォーマットは、予測のためにクエリされているモデルのタイプによって異なります。いずれの場合も、[`details`] フィールドには予測リクエストに関する情報が保存され、特に [`PredictiveModelType`] フィールドにはモデルタイプが含まれます。
以下はバイナリモデルのレスポンスの例です。
```
{
"Prediction":{
"details":{
"PredictiveModelType": "BINARY"
},
"predictedLabel": "0",
"predictedScores":{
"0": 0.47380468249320984
}
}
}
```
[`predictedLabel`] フィールドに予測されたラベルが含まれていることに注意してください。この場合は 0 になります。Amazon ML は、予測スコアを分類カットオフと比較することで、予測されたラベルを計算します。
+ ML モデルに現在関連付けられている分類カットオフは、`ScoreThreshold` フィールドを `GetMLModel` オペレーションのレスポンスで調べることで、または Amazon ML コンソールでモデル情報を表示して取得できます。スコアしきい値を設定しない場合、Amazon ML はデフォルト値の 0.5 を使用します。
+ バイナリ分類モデルの正確な予測スコアを取得するには、`predictedScores` マップを調べます。このマップ内では、予測されたラベルは正確な予測スコアとペアになっています。
バイナリ予測の詳細については、「[予測の解釈](binary-model-insights.md#interpreting-the-predictions)」を参照してください。
以下は回帰モデルのレスポンスの例です。予測された数値が [`predictedValue`] フィールドにあることに注意してください。
```
{
"Prediction":{
"details":{
"PredictiveModelType": "REGRESSION"
},
"predictedValue": 15.508452415466309
}
}
```
以下は複数クラスモデルのレスポンスの例です。
```
{
"Prediction":{
"details":{
"PredictiveModelType": "MULTICLASS"
},
"predictedLabel": "red",
"predictedScores":{
"red": 0.12923571467399597,
"green": 0.08416014909744263,
"orange": 0.22713537514209747,
"blue": 0.1438363939523697,
"pink": 0.184102863073349,
"violet": 0.12816807627677917,
"brown": 0.10336143523454666
}
}
}
```
バイナリ分類モデルと同様に、予測されるラベル/クラスは [`predictedLabel`] フィールドにあります。予測が各クラスとどれほど強く関連しているかは、`predictedScores` マップを見ることでさらに理解できます。このマップ内のクラスのスコアが大きいほど、予測はクラスと強く関連していて、最終的に最大値が `predictedLabel` として選択されます。
複数クラス予測の詳細については、「[複数モデルクラスの洞察](multiclass-model-insights.md)」を参照してください。
## リアルタイムエンドポイントの削除
リアルタイム予測が完成した場合、リアルタイムエンドポイントを削除して追加料金の発生を抑えます。エンドポイントを削除するとすぐに料金がかからなくなります。
**リアルタイムエンドポイントを削除するには**
1. にサインイン AWS マネジメントコンソール し、[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) で Amazon Machine Learning コンソールを開きます。
1. ナビゲーションバーの [**Amazon Machine Learning**] ドロップダウンで [**ML モデル**] を選択します。
1. リアルタイム予測が不要になったモデルを選択します。
1. [ML モデルレポート] ページの [**予測**] で、[**概要**] を選択します。
1. [**リアルタイムエンドポイントの削除**] を選択します。
1. [**リアルタイムエンドポイントの削除**] ダイアログボックスで、[**削除**] を選択します。