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。
# チュートリアル: Amazon ML を使用してマーケティングオファーへの応答を予測する
Amazon Machine Learning (Amazon ML) で、予測モデルを構築してトレーニングし、スケーラブルクラウドソリューションにアプリケーションをホストすることができます。このチュートリアルでは、Amazon ML コンソールを使用してデータソースを作成する方法、機械学習 (ML) モデルを構築する方法、およびアプリケーションで使用できる予測を生成するモデルを使用する方法を説明します。
このサンプル演習では、ターゲットを絞ったマーケティングキャンペーンの潜在的なお客様を識別する方法を示していますが、さまざまな ML モデルを作成して使用するのに同じ原則が適用できます。サンプル演習を完了するには、[カリフォルニア大学アーバイン校 (UCI) Machine Learning Repository](http://archive.ics.uci.edu/ml/datasets.php) にある一般に利用可能な銀行およびマーケティングデータセットを使用します。これらのデータセットには、顧客に関する一般情報と、顧客が以前のマーケティング活動にどのように応答したかに関する情報が含まれています。このデータを使用して、譲渡性預金証書 (CD) としても知られる新製品の定期預金を購入する可能性が最も高いと思われるお客様を識別します。
**警告**
このチュートリアルは、AWS 無料利用枠に含まれていません。Amazon ML の料金の詳細については、「[https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/)」を参照してください。
## 前提条件
チュートリアルを実行するには、AWS アカウントが必要です。AWS アカウントをまだお持ちでない場合は、「[Amazon Machine Learning のセットアップ](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html)」を参照してください。
## Steps
+ [ステップ 1: データを準備する](step-1-download-edit-and-upload-data.md)
+ [ステップ 2: トレーニングデータソースを作成する](step-2-create-a-datasource.md)
+ [ステップ 3: ML モデルの作成](step-3-create-an-ml-model.md)
+ [ステップ 4: ML モデルの予測パフォーマンスを確認し、スコアのしきい値を設定する](step-4-review-model-and-set-cutoff.md)
+ [ステップ 5: ML モデルを使用して予測を生成する](step-5-create-predictions.md)
+ [ステップ 6: クリーンアップ](step-6-clean-up.md)
# ステップ 1: データを準備する
機械学習では、通常はデータを取得し、トレーニングを開始する前にそれが正しくフォーマットされていることを確認します。このチュートリアルのために、サンプルデータセットを [UCI Machine Learning リポジトリ](http://archive.ics.uci.edu/ml/)から取得し、Amazon ML ガイドラインに準拠するようフォーマットし、ダウンロードできるようにしました。このトピックの手順に従って、データセットを Amazon Simple Storage Service (Amazon S3) ストレージの場所からダウンロードし、自分の S3 バケットにアップロードしてください。
Amazon ML フォーマット要件については、「[Amazon ML のデータ形式について](understanding-the-data-format-for-amazon-ml.md)」を参照してください。
**データセットをダウンロードするには**
1. [banking.zip](samples/banking.zip) をクリックして、あなたの銀行の定期預金に似ている製品を購入したお客様の履歴データが保存されているファイルをダウンロードします。フォルダーを解凍し、banking.csv ファイルをコンピュータに保存します。
1. [banking-batch.zip](samples/banking-batch.zip) をクリックして、可能性のある顧客が提供に反応するかどうかの予測に使用するファイルをダウンロードします。フォルダーを解凍し、banking-batch.csv ファイルをコンピュータに保存します。
1. `banking.csv` を開きます。データの行と列が表示されます。*ヘッダー行* には、各列の属性名が含まれています。*属性* は一意の指名プロパティで、各カスタマーの特定の特性を記述するもので、たとえば nr\$1employed ならカスタマーの雇用状態を表します。各行は、単一のカスタマーに関する観測のコレクションを表します。
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image1.png)
ML モデルに、「このカスタマーは新しい製品をサブスクライブしますか」という質問に答えてもらうとします。この質問への答えは `banking.csv` データセットの [**y**] 属性値で、値は 1 (はい) または 0 (いいえ) です。Amazon ML に予測方法を学習してもらいたい属性を、*ターゲット属性* と呼びます。
**注記**
属性 [**y**] はバイナリ属性です。2 つの値のいずれか 1 つのみを含めることができ、この場合は 0 または 1 です。元の UCI データセットでは、**y** 属性は、[Yes] または [No] です。元のデータセットは編集されています。[**y**] 属性の yes を意味するすべての値が 1 に、no を意味するすべての値が 0 になっています。独自のデータを使用する場合は、バイナリ属性に他の値を使用することができます。有効な値の詳細については、「[AttributeType フィールドの使用](creating-a-data-schema-for-amazon-ml.md#assigning-data-types)」を参照してください。
以下の例は、[**y**] 属性の値をバイナリ属性 0 および 1 に変更する前後のデータを示しています。
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/ja_jp/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/ja_jp/machine-learning/latest/dg/images/image3.png)
`banking-batch.csv` ファイルに [**y**] 属性は含まれていません。ML モデルを作成した後で、そのモデルを使用してファイル内の各レコードの [**y**] を予測します。
次に、`banking.csv ` および `banking-batch.csv` ファイルを Amazon S3 にアップロードします。
**Amazon S3 の場所にファイルをアップロードするには**
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/s3/](https://console.aws.amazon.com/s3/) で Amazon S3 コンソールを開きます。
1. [**すべてのバケット**] リストで、バケットを作成するか、ファイルをアップロードする場所を選択します。
1. ナビゲーションバーで、[**アップロード**] を選択します。
1. [**Add Files**] を選択します。
1. ダイアログボックスでデスクトップに移動してから `banking.csv` および `banking-batch.csv` を選択し、[**オープン**] を選択します。
これで、[トレーニングデータソースを作成する](step-2-create-a-datasource.md) 準備ができました。
# ステップ 2: トレーニングデータソースを作成する
`banking.csv` データセットを Amazon Simple Storage Service (Amazon S3) の場所にアップロードした後で、それを使用してトレーニングデータソースを作成します。データソースは、入力データの場所と入力データに関する重要なメタデータが保存されている Amazon Machine Learning (Amazon ML) オブジェクトです。Amazon ML は、ML モデルのトレーニングや評価などの操作でデータソースを使用します。
データソースを作成するには、以下を指定します。
+ データの Amazon S3 の場所とデータへのアクセス許可
+ データ内の属性の名前および各属性の型 (数値、文字、カテゴリ、またはバイナリ) を含むスキーマ
+ Amazon ML が予測を学習して応答する属性の名前、つまりターゲット属性
**注記**
データソースは参照のみで、実際にはデータを保存しません。Amazon S3 に保存されているファイルを移動または変更しないようにします。移動または変更した場合、Amazon ML は ML モデルの作成、評価の生成、または予測の生成のためにそれらにアクセスできなくなります。
**トレーニングデータソースを作成するには**
1. Amazon Machine Learning コンソール ([https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/)) を開きます。
1. **[開始する]** を選択します。
**注記**
このチュートリアルでは、Amazon ML を初めて使用することを前提としています。Amazon ML を使用したことがある場合は、Amazon ML ダッシュボードの **[Create new...]** (新規作成...) ドロップダウンリストを使用して、データソースを新規に作成します。
1. **[Get started with Amazon Machine Learning]** (Amazon Machine Learning の使用開始) ページで、**[Launch]** (起動) を選択します。
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/get-started-launch.png)
1. [**入力データ**] ページの、[**データの場所**] で [**S3**] が選択されていることを確認します。
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image5.png)
1. [**S3 の場所**] には、「ステップ 1: データを準備する」で作成した `banking.csv `ファイルの完全な場所を入力します。例えば、*your-bucket***/banking.csv** などです。Amazon ML がバケット名に s3:// を付加します。
1. [**データソース名**] に「**Banking Data 1**」を入力します。
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image6.png)
1. **確認**を選択します。
1. [**S3 アクセス権限**] ダイアログボックスで、[**はい**] を選択します。
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image7.png)
1. Amazon ML が S3 の場所でデータファイルにアクセスでき読み取れた場合は、次のようなページが表示されます。プロパティを確認し、[**続行**] を選択します。
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image8.png)
次に、スキーマを確立します。*スキーマ*とは、Amazon ML が入力データを ML モデル用に解釈するために必要な情報のことです。それには、属性の名前および割り当てられたデータタイプ、特殊な属性の名前などがあります。Amazon ML にスキーマに渡すには、2 つの方法があります。
+ Amazon S3 データをアップロードするときに、別のスキーマファイルを提供します。
+ Amazon ML に属性タイプの推測とスキーマの作成を許可します。
このチュートリアルでは、Amazon ML にスキーマを推測させます。
別のスキーマファイルの作成の詳細については、「[Amazon ML のデータスキーマを作成する](creating-a-data-schema-for-amazon-ml.md)」を参照してください。
**Amazon ML にスキーマを推測させるには**
1. **[Schema]** (スキーマ) ページに、Amazon ML が推測したスキーマが表示されます。Amazon ML が推測した属性のデータ型を確認します。Amazon ML がデータを正しく取り込み、属性に正しい機能処理が行われるために重要な点は、属性に正しいデータ型が割り当てられていることです。
+ たとえば yes または no など 2 つの状態のみを持つ属性は、[**バイナリ**] とマークされている必要があります。
+ カテゴリを示すために数値または文字列が使用される属性は、[**カテゴリ**] とマークされている必要があります。
+ 順序に意味を持つ数値が使用される属性は、[**数値**] としてマークされている必要があります。
+ スペースで区切られた単語からなる文字列が使用される属性は、[**テキスト**] としてマークされている必要があります。
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image10.png)
1. このチュートリアルでは、Amazon ML がすべての属性のデータ型を正しく識別しているため、**[Continue]** (続行) を選択します。
次に、ターゲット属性を選択します。
ターゲットは、ML モデルが予測を学習する必要がある属性であることに注意してください。属性 [**y**] は、個々の顧客が過去にキャンペーンに加入しているかどうかを、1 (はい) または 0 (いいえ) で示します。
**注記**
データソースを ML モデルのトレーニングおよび評価に使用する場合にのみ、ターゲット属性を選択してください。
**[y] 属性をターゲット属性として選択するには**
1. テーブルの右下で、単一の矢印を選択してテーブルの最後のページに進みます。ここで、[`y`] 属性が表示されます。
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image11.png)
1. [**ターゲット**] 列で [`y`] を選択します。
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image12.png)
Amazon ML は、ターゲットとして **[y]** が選択されていることを確認します。
1. [**続行**] をクリックしてください。
1. [**行 ID**] ページの、[**データには識別子が含まれていますか?**] で、デフォルトの [**No**] が選択されていることを確認します。
1. [**レビュー**] を選択し、[**続行**] を選択します。
トレーニングデータソースを作成したため、[モデルの作成](step-3-create-an-ml-model.md) の準備ができました。
# ステップ 3: ML モデルの作成
トレーニングデータソースを作成した後、それを使用して ML モデルを作成し、モデルをトレーニングして、結果を評価します。ML モデルは、Amazon ML がトレーニング中にデータで見つけるパターンの集まりです。モデルを使用して予測を作成します。
**ML モデルを作成するには**
1. 使用開始ウィザードはトレーニングデータソースとモデルの両方を作成するため、Amazon Machine Learning (Amazon ML) は作成したトレーニングデータソースを自動的に使用し、**[ML model settings]** (ML モデル設定) ページに直接移動します。[**ML モデル設定**] ページで、[**ML モデル名**] に対して、デフォルトの [**ML model: Banking Data 1**] が表示されていることを確認します。
デフォルトなどのわかりやすい名前を使用すると、ML モデルを簡単に識別して管理するのに役立ちます。
1. [**トレーニングおよび評価設定**] で、[**デフォルト**] が選択されていることを確認します。
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image19.png)
1. [**この評価に名前を設定**] で、デフォルト値 **Evaluation: ML model: Banking Data 1** をそのまま使用します。
1. [**レビュー**] を選択して、設定を確認し、[**完了**] を選択します。
**[Finish]** (完了) を選択すると、Amazon ML は処理キューにモデルを追加します。Amazon ML がモデルを作成すると、デフォルトを適用して次のアクションを実行します。
+ 1 つはデータの 70% を、もう 1 つは残りの 30% を含むように、トレーニングデータソースを 2 つのセクションに分割します
+ 入力データの 70% を含むセクションで ML モデルをトレーニングします
+ 入力データの残りの 30% を使用してモデルを評価します
モデルがキューに入っている間、Amazon ML はステータスを **[Pending]** (保留中) として報告します。Amazon ML がモデルを作成している間、Amazon ML はステータスを **[In Progress]** (進行中) として報告します。すべてのアクションが完了すると、ステータスが [**完了済み**] としてレポートされます。続行する前に、評価が完了するまで待ちます。
これで、[モデルのパフォーマンスを確認し、カットオフのスコアを設定する](step-4-review-model-and-set-cutoff.md)準備が整いました。
モデルのトレーニングおよび評価に関する詳細は、[ML モデルのトレーニング](training-ml-models.md) および [ML モデルの評価](evaluating_models.md) を参照してください。
# ステップ 4: ML モデルの予測パフォーマンスを確認し、スコアのしきい値を設定する
ML モデルを作成し、Amazon Machine Learning (Amazon ML) によって評価したので、実際に使用できるかどうか見てみましょう。評価中、Amazon ML は、ML モデルのパフォーマンス品質を表現する曲線下面積 (AUC) メトリクスと呼ばれる業界標準の品質メトリクスを計算しました。また、Amazon ML は AUC メトリクスを解釈して、ML モデルの品質がほとんどの機械学習アプリケーションに適しているかどうかを知らせます。(AUC の詳細については、[ML モデルの正確性の測定](binary-model-insights.md#measuring-ml-model-accuracy) を参照してください。) AUC メトリクスを確認した後、スコアのしきい値やカットオフを調整して、モデルの予測パフォーマンスを最適化しましょう。
**ML モデルの AUC メトリクスを確認するには**
1. [**ML モデルの要約**] ページの [**ML モデルレポート**] ナビゲーションペインで、[**評価**]、[**Evaluation: ML model: Banking model 1 (評価: ML モデル: 銀行モデル 1)**]、[**概要**] の順に選択します。
1. [**評価の概要**] ページで、モデルの AUC パフォーマンスメトリクスを含め、評価の概要を確認します。
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image24.png)
ML モデルは、予測データソース内の各レコードの数値予測スコアを生成し、しきい値を適用して 0 (いいえの場合) または 1 (はいの場合) のバイナリラベルに変換します。*スコアのしきい値*を変更することで、ML モデルがこれらのラベルをどのように割り当てるかを調整できます。ここで、スコアしきい値を設定します。
**ML モデルのスコアのしきい値を設定するには**
1. [**評価の概要**] ページで、[**スコアしきい値を調整**] を選択します。
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image25.png)
スコアしきい値を調整することで ML モデルのパフォーマンスメトリクスを微調整できます。この値を調整すると、予測が正しいとみなされる前に、モデルが予測に対して持つ必要のある信頼度が変わります。また、予測で許容する誤検出および検出漏れの数が変更されます。
正しい検出である可能性が最も高い予測が正しいとみなされるまでスコアのしきい値を上げることによって、モデルが正しい予測とみなすもののカットオフを制御できます。また、検出漏れがなくなるまでスコアのしきい値を減らすこともできます。ビジネスのニーズに応じて、カットオフを選択します。このチュートリアルでは、誤検出の場合はキャンペーン費用がかかるため、誤検出よりも正しい検出の割合を高くします。
1. たとえば、商品をサブスクライブする顧客の上位 3% をターゲットに設定するとします。垂直セレクタをスライドさせて、スコアのしきい値が [**3% of the records are predicted as "1" ("1" と予測されるコードの 3%)**] になるよう設定します。
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image26.png)
このスコアのしきい値が ML モデルのパフォーマンスに及ぼす影響に注意してください。誤検出率は 0.007 です。この誤検出率は許容できるとします。
1. [**Save score threshold at 0.77 (スコアのしきい値を 0.77 で保存)**] を選択します。
この ML モデルを使用して予測を行うたびに、0.77 を超えるレコードは「1」、残りのレコードは「0」と予測されます。
スコアのしきい値の詳細については、[バイナリの分類](binary-classification.md) を参照してください。
これで、[モデルを使用して予測を作成する](step-5-create-predictions.md)準備ができました。
# ステップ 5: ML モデルを使用して予測を生成する
Amazon Machine Learning (Amazon ML) は、バッチとリアルタイムの 2 種類の予測を生成できます。
*リアルタイム予測*は、Amazon ML がオンデマンドで生成する単一の観測に対する予測です。リアルタイム予測は、モバイルアプリ、ウェブサイト、および結果をインタラクティブに使用する必要のある他のアプリケーションに最適です。
*バッチ予測*は、一連の観測に対する予測のセットです。Amazon ML はバッチ予測でレコードを処理するため、処理に時間がかかることがあります。 がインタラクティブに結果を使用しない一連の観測または予測を必要とするアプリケーションには、バッチ予測を使用します。
このチュートリアルでは、潜在的な顧客が新製品をサブスクライブするかどうかを予測するリアルタイム予測を生成します。潜在的な顧客の大きなバッチ予測も生成します。バッチ予測の場合は、「`banking-batch.csv`」でアップロードした [ステップ 1: データを準備する](step-1-download-edit-and-upload-data.md) ファイルを使用します。
リアルタイム予測を作成しましょう。
**注記**
リアルタイム予測が必要なアプリケーションの場合は、ML モデルの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が利用可能な間は料金が発生します。リアルタイム予測を使用して関連するコストを負担する前に、リアルタイムエンドポイントを作成せずにウェブブラウザでリアルタイム予測機能を試すことができます。このチュートリアルでは、以下を実行します。
**リアルタイム予測を試用するには**
1. [**ML モデルレポート**] ナビゲーションペインで、[**Try real-time predictions (リアルタイム予測の試用)**] を選択します。
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. [**レコードの貼り付け**] を選択します。
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/paste-a-record.png)
1. [**レコードの貼り付け**] ダイアログボックスで、次の条件を貼り付けます。
```
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. **[Paste a record]** (レコードの貼り付け) ダイアログボックスで **[Submit]** (送信) を選択し、この観測の予測を生成することを確認します。Amazon ML はリアルタイム予測フォームに値を入力します。
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/value-column.png)
**注記**
個々の値を入力して、[**値**] フィールドに値を入力することもできます。選択したメソッドにかかわらず、モデルをトレーニングするために使用しなかった観察を提供する必要があります。
1. ページの下部で、[**予測の作成**] を選択します。
予測は右側の [**Prediction results (予測結果)**] ペインに表示されます。この予測の [**Predicted label (予測ラベル)**] は `0` です。つまり、この潜在的な顧客はキャンペーンに反応しそうにありません。[**Predicted label (予測ラベル)**] `1` は、顧客がキャンペーンに応答する可能性が高いことを意味します。
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/real-time-result.png)
ここで、バッチ予測を作成します。Amazon ML に使用している ML モデルの名前、および予測を生成する入力データの Amazon Simple Storage Service (Amazon S3) の場所 (Amazon ML はこのデータからバッチ予測データソースを作成します)、結果を格納するための Amazon S3 の場所を提供します。
**バッチ予測を作成するには**
1. [**Amazon Machine Learning**]、[**バッチ予測**] の順に選択します。
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image29.png)
1. [**新しいバッチ予測を生成**] を選択します。
1. [**ML model for batch predictions (バッチ予測の ML モデル)**] ページで、[**ML model: Banking Data 1 (ML モデル: 銀行データ 1)**] を選択します。
Amazon ML は、ML モデル名、ID、作成時刻、および関連するデータソース ID を表示します。
1. [**続行**] をクリックしてください。
1. 予測を生成するには、予測に必要なデータを Amazon ML に提供する必要があります。これは*入力データ*と呼ばれます。まず、入力データをデータソースに入力して、Amazon ML からアクセスできるようにします。
[**入力データを特定**] で、[**データは S3 にあり、データソースを作成する必要があります**] を選択します。
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image31.png)
1. [**データソース名**] に「**Banking Data 2**」を入力します。
1. [**S3 の場所**] に、`banking-batch.csv` ファイルの完全な場所を入力します: *your-bucket/banking-batch.csv***/banking-batch.csv**。
1. [**CSV の 1 行目には列名が含まれていますか?**] で、[**はい**] を選択します。
1. **確認**を選択します。
Amazon ML はデータの場所を検証します。
1. [**続行**] をクリックしてください。
1. **[S3 destination]** (S3 送信先) には、「ステップ 1: データを準備する」でファイルをアップロードした Amazon S3 の場所の名前を入力します。Amazon ML はそこに予測結果をアップロードします。
1. **[Batch prediction name]** (バッチ予測名) では、デフォルトの **Batch prediction: ML model: Banking Data 1** をそのまま使用します。Amazon ML は、予測の作成に使用するモデルに基づいてデフォルトの名前を選択します。このチュートリアルでは、モデルと予測にはトレーニングデータソースの後に `Banking Data 1`という名前が付けられています。
1. [**Review**] (レビュー) を選択します。
1. [**S3 アクセス権限**] ダイアログボックスで、[**はい**] を選択します。
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image32.png)
1. [**レビュー**] ページで、[**完了**] を選択します。
バッチ予測のリクエストが Amazon ML に送信され、キューに入ります。Amazon ML がバッチ予測を処理するのにかかる時間は、データソースのサイズと ML モデルの複雑さによって異なります。Amazon ML はリクエストを処理している間、**[In Progress]** (進行中) のステータスを報告します。バッチ予測が完了すると、リクエストのステータスが [**完了済み**] に変わります。ここで、結果を表示することができます。
**予測を表示するには**
1. [**Amazon Machine Learning**]、[**バッチ予測**] の順に選択します。
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image33.png)
1. 予測一覧で、[**Batch prediction: ML model: Banking Data 1 (バッチ予測: ML モデル: 銀行データ 1)**] を選択します。[**Batch prediction info (バッチ予測情報)**] ページが表示されます。
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image34.png)
1. バッチ予測の結果を表示するには、Amazon S3 コンソール ([https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)) にアクセスし、**[Output S3 URL]** (S3 出力 URL) フィールドで参照される Amazon S3 の場所に移動します。ここから `s3://aml-data/batch-prediction/result` と似た名前の結果フォルダに移動します。
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image35.png)
予測は、.gz 拡張子の付いた圧縮された .gzip ファイルに保存されます。
1. 予測ファイルをデスクトップにダウンロードし、解凍して開きます。
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image36.png)
このファイルには [**bestAnswer**] と [**score**] の 2 つの列と、データソース内の各観測の行があります。[**bestAnswer**] 列の結果は、「[ステップ 4: ML モデルの予測パフォーマンスを確認し、スコアのしきい値を設定する](step-4-review-model-and-set-cutoff.md)」で設定したスコアのしきい値 0.77 に基づいています。0.77 を超える **score** は、**bestAnswer** が 1 であり、これは肯定的な応答または予測であり、**score** が 0.77 未満では **bestAnswer** が 0 であり、これは否定的な応答または予測です。
次の例は、スコアしきい値 0.77 に基づく正および負の予測を示します。
正の予測。
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image37.png)
この例では、[**bestAnswer**] の値は 1 で、**score** の値は 0.8228876 となります。[**bestAnswer**] の値が 1 であるのは、**score** がスコアのしきい値 0.77 よりも大きいためです。[**bestAnswer**] が 1 の場合、顧客が製品を購入する可能性が高いことを示すため、肯定的な予測とみなされます。
負の予測。
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/ja_jp/machine-learning/latest/dg/images/image38.png)
この例では、[**bestAnswer**] の値は 0 です。これは **score** の値が、スコアのしきい値である 0.77 よりも少ない 0.7695356 であるためです。[**bestAnswer**] が 0 の場合、顧客が製品を購入する可能性が低いことを示すため、否定的な予測とみなされます。
バッチの各行は、バッチ入力 (データソースの監視) の行に対応します。
予測を分析した後、ターゲットを絞ったマーケティングキャンペーンを実行できます。たとえば、予測スコア `1` のすべての人にチラシを送ることができます。
これで、モデルを作成し、レビューして、使用したので、[作成したデータと AWS リソースをクリーンアップ](step-6-clean-up.md)して、不要な課金が発生しないようにし、ワークスペースを整った状態に保ちます。
# ステップ 6: クリーンアップ
Amazon Simple Storage Service (Amazon S3) の追加料金を回避するために、Amazon S3 に保存されているデータを削除します。他の未使用 Amazon ML リソースに対して料金は発生しませんが、それらを削除してワークスペースを整理することをお勧めします。
**Amazon S3 に保存されている入力データを削除するには**
1. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) で Amazon S3 コンソールを開きます。
1. `banking.csv` および `banking-batch.csv` ファイルが保存されている Amazon S3 の場所に移動します。
1. `banking.csv`、`banking-batch.csv`、および `.writePermissionCheck.tmp` ファイルを選択します。
1. **[アクション]** を選択し、**[削除]** を選択します。
1. 確認を求めるメッセージが表示されたら、[**OK**] を選択します。
Amazon ML が実行したバッチ予測の記録、またはチュートリアルで作成したデータソース、モデル、および評価を保存しても課金されませんが、ワークスペースが乱雑にならないようにそれらを削除することをお勧めします。
**バッチ予測を削除するには**
1. バッチ予測の出力を保存した Amazon S3 の場所に移動します。
1. `batch-prediction` フォルダを選択します。
1. **[アクション]** を選択し、**[削除]** を選択します。
1. 確認を求めるメッセージが表示されたら、[**OK**] を選択します。
**Amazon ML リソースを削除するには**
1. Amazon ML ダッシュボードで、次のリソースを選択します。
+ `Banking Data 1` データソース
+ `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]` データソース
+ `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]` データソース
+ `Banking Data 2` データソース
+ `ML model: Banking Data 1` ML モデル
+ `Evaluation: ML model: Banking Data 1` 評価
1. **[アクション]** を選択し、**[削除]** を選択します。
1. ダイアログボックスで、[**削除**] を選択してすべての選択したリソースを削除します。
これでチュートリアルは完了です。コンソールを使用してデータソース、モデル、および予測の作成を続行するには、「[Amazon Machine Learning デベロッパーガイド](https://docs.aws.amazon.com/machine-learning/latest/dg/)」を参照してください。API を使用する方法については、[Amazon Machine Learning 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。