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。

# Studio Classic UI を使用して表形式データのリグレッション用または分類用 Autopilot 実験を作成する
<a name="autopilot-automate-model-development-create-experiment-ui"></a>

**重要**  
2023 年 11 月 30 日現在、Autopilot の UI は、[Amazon SageMaker Studio](studio-updated.md) エクスペリエンスの更新の一環として [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) に移行しています。SageMaker Canvas は、データ準備、特徴量エンジニアリング、アルゴリズムの選択、トレーニングと調整、推論などのタスクを対象として、アナリストやシチズンデータサイエンティストにノーコード機能を提供します。ユーザーは、組み込みの視覚化と what-if 分析を活用して、データやさまざまなシナリオを調査できます。また自動予測により、モデルを簡単に実稼働化できます。Canvas は、コンピュータビジョン、需要予測、インテリジェント検索、生成 AI など、さまざまなユースケースをサポートしています。  
 [Studio](studio-updated.md) の以前のエクスペリエンスである [Amazon SageMaker Studio Classic](studio.md) のユーザーは、Studio Classic で Autopilot UI を引き続き使用できます。コーディング経験のあるユーザーは、サポートされている SDK のあらゆる [API リファレンス](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)を引き続き使用して、技術的な実装を行うことができます。  
Studio Classic でこれまで Autopilot を使用しており、SageMaker Canvas に移行する場合は、SageMaker Canvas アプリケーションを作成して使用できるように、追加のアクセス許可をユーザープロファイルまたは IAM ロールに付与する必要が生じる場合があります。詳細については、「[(オプション) Studio Classic の Autopilot から SageMaker Canvas に移行する](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot)」を参照してください。  
このガイドのすべての UI 関連の手順は、[Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) に移行する前の Autopilot のスタンドアロン機能に適用されます。これらの手順に従うユーザーは、[Studio Classic](studio.md) を使用する必要があります。

Amazon SageMaker Studio Classic UI を使用して、表形式データの分類問題またはリグレッション問題に関する Autopilot 実験を作成できます。実験の名前、入力データおよび出力データの場所、予測するターゲットデータを UI で指定できます。オプションで、解決する問題のタイプ (リグレッション、分類、多クラス分類) を指定したり、モデリング戦略 (*スタックアンサンブル*または*ハイパーパラメータ最適化*) を選択したり、Autopilot ジョブがデータをトレーニングするために使用するアルゴリズムのリストを選択したりすることもできます。

UI には、モデル候補の作成をナビゲートするのに役立つ説明、トグルスイッチ、ドロップダウンメニュー、ラジオボタンなどが含まれています。実験後は、トライアルを比較して、各モデルの前処理ステップ、アルゴリズム、ハイパーパラメータ範囲の詳細を詳しく調べることができます。オプションで、[説明可能性](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html)のレポートや[パフォーマンス](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html)のレポートをダウンロードすることもできます。提供された[ノートブック](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html )を使用して、自動データ探索の結果や候補となるモデル定義を確認します。

 または、「[AutoML API を使用して表形式データのリグレッションジョブまたは分類ジョブを作成する](autopilot-automate-model-development-create-experiment.md)」で説明されているように Autopilot AutoML API を使用することもできます。

**Studio Classic UI を使用して Autopilot 実験を作成するには**

1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/) にサインインし、左側のナビゲーションペインから **[Studio]** を選択します。次に、ドメインとユーザープロファイルを選択して、**[Studio を開く]** を選択します。

1. Studio で、左上のナビゲーションペインの Studio Classic アイコンを選択します。Studio Classic アプリケーションが開きます。

1. 任意のスペースから Studio Classic アプリケーションを実行するか開きます。あるいは、**Studio Classic スペースを作成**します。**[ホーム]** タブで、**[AutoML]** カードを選択します。これにより、新しい **[AutoML]** タブが開きます。

1. **[AutoML 実験を作成]** を選択します。新しい **[実験を作成]** タブが開きます。

1. **[実験とデータの詳細]** セクションに、以下の情報を入力します。

   1. **実験名** – 現在の のアカウントに一意で AWS リージョン 、最大 63 文字の英数字を使用する必要があります。ハイフン (-) を含めることはできますが、スペースは使用できません。

   1. **入力データ** – 入力データの Amazon Simple Storage Service (Amazon S3) バケットの場所を指定します。この S3 バケットは現在の AWS リージョンに存在する必要があります。URL は、Amazon SageMaker AI が書き込み権限を持つ `s3://` 形式である必要があります。ファイルは CSV 形式または Parquet 形式で、500 行以上が含まれている必要があります。**[参照]** を選択して使用可能なパスをスクロールし、**[プレビュー]** を選択して入力データのサンプルを確認します。

   1. **S3 入力はマニフェストファイルですか** – マニフェストファイルには、入力データの他にメタデータが含まれます。メタデータは、Amazon S3 内のデータの場所を指定します。また、データのフォーマット方法と、モデルのトレーニング時にデータセットのどの属性を使用するかも指定します。ラベル付きデータが `Pipe` モードでストリーミングされている場合、前処理の代わりにマニフェストファイルを使用できます。

   1. **データを自動分割しますか** – Autopilot は、データをトレーニングデータ用と検証データ用に 80% と 20% に分割できます。カスタム分割を希望する場合は、**[分割比率の指定]** を選択できます。検証にカスタムデータセットを使用するには、**[検証セットを提供]** を選択します。

   1. **出力データの場所 (S3 バケット)** – 出力データを保存する S3 バケットの場所の名前。このバケットの URL は、Amazon SageMaker AI が書き込み権限を持つ Amazon S3 形式である必要があります。S3 バケットは現在の AWS リージョンリージョンに存在する必要があります。Autopilot は、これを入力データと同じ場所に作成することもできます。

1. **[次へ: ターゲットと特徴量]** を選択します。**[ターゲットと特徴量]** タブが開きます。

1. **[ターゲットと特徴量]**」セクションで:
   + モデル予測のターゲットとして設定する列を選択します。
   + オプションで、**[サンプルの重み]** セクションでサンプル重み列の名前を渡し、トレーニング中や評価中にデータセットの行に重みを付けるように要求できます。使用可能な目標メトリクスの詳細については、「[Autopilot 加重メトリクス](autopilot-metrics-validation.md#autopilot-weighted-metrics)」を参照してください。
**注記**  
サンプルの重みのサポートは、[アンサンブルモード](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode)でのみ使用できます。
   + トレーニング用の特徴量を選択し、そのデータ型を変更することもできます。使用できるデータ型は `Text`、`Numerical`、`Categorical`、`Datetime`、`Sequence`、`Auto` です。デフォルトではすべての特徴量が選択されています。

1. **[次へ: トレーニング方法]** を選択します。**[トレーニング方法]** タブが開きます。

1. **[トレーニング方法]** セクションで、**[アンサンブル]**、**[ハイパーパラメータ最適化 (HPO)]**、または **[自動]** からトレーニングオプションを選択し、Autopilot がデータセットのサイズに基づいてトレーニング方法を自動的に選択できるようにします。各トレーニングモードは、データセットに対して事前定義された一連のアルゴリズムを実行して、モデル候補をトレーニングします。デフォルトでは、Autopilot は特定のトレーニングモードで使用可能なすべてのアルゴリズムを事前に選択します。すべてのアルゴリズムを使用して Autopilot のトレーニング実験を実行することも、独自のサブセットを選択することもできます。

   トレーニングモードと使用可能なアルゴリズムの詳細については、「[トレーニングモードとアルゴリズム](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html)」ページの「**Autopilot トレーニングモード**」セクションを参照してください。

1. **[次へ: デプロイと詳細設定]** を選択し、**[デプロイと詳細設定]** タブを開きます。設定には、自動表示エンドポイント名、機械学習の問題タイプ、および実験を実行するための追加の選択肢が含まれています。

   1. **デプロイ設定** — Autopilot はエンドポイントを自動的に作成し、モデルをデプロイします。

      自動生成されたエンドポイントに自動デプロイするか、カスタムデプロイ用のエンドポイント名を指定するには、**[自動デプロイしますか]** の下のトグルを **[はい]** に設定します。Amazon SageMaker Data Wrangler からデータをインポートする場合、Data Wrangler からの変換の有無にかかわらず、最適なモデルを自動デプロイする追加のオプションがあります。
**注記**  
Data Wrangler フローに、`groupby`、`join`、`concatenate` などの複数行の操作が含まれている場合、これらの変換を自動デプロイすることはできません。詳細については、「[データフローでモデルを自動的にトレーニングする](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html)」を参照してください。

   1. **詳細設定 (オプション)** – Autopilot には、問題の種類の定義、Autopilot のジョブとトライアルの時間制約、セキュリティ、暗号化の設定など、実験パラメータを手動で設定するための追加の制御機能があります。
**注記**  
Autopilot では、Studio Classic UI を使用した Autopilot 実験の作成を簡素化するために、デフォルト値の設定をサポートしています。管理者は、Studio Classic の[ライフサイクル設定](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) を使用して、設定ファイルにインフラストラクチャ、ネットワーク、セキュリティの値を設定し、`AutoML` ジョブの*詳細設定*を事前に入力できます。  
管理者が Autopilot 実験のカスタマイズを自動化する方法については、「[Autopilot 実験のデフォルトパラメータを設定する (管理者用)](autopilot-set-default-parameters-create-experiment.md)」を参照してください。

      1. **機械学習の問題タイプ** – Autopilot は、教師あり学習の問題タイプを自動的に選択できます。手動で選択する場合は、**[機械学習の問題タイプの選択]** ドロップダウンメニューを使用できます。デフォルトは **[自動]** であることに注意してください。場合によっては、SageMaker AI が正確に推論できないことがあります。その場合は、ジョブが成功するための値を指定する必要があります。特に、次のタイプから選択できます。
         + **二項分類** – 二項分類は、誰かが病気にかかっているかどうかを判断する診断テストの結果に基づく医療診断など、属性に基づいて、あらかじめ定義された 2 つの相互に排他的なクラスのいずれかに入力データを割り当てます。
         + **回帰** – 回帰では、入力変数 (独立変数または特徴量とも呼ばれる) とターゲット変数 (従属変数とも呼ばれる) との関係を確立します。この関係は、入力変数を連続出力にマッピングする数学関数またはモデルによって取得されます。これは、面積やバスルーム数などの特徴に基づく住宅価格の予測、株式市場の動向、売上高の見積もりなどの特徴量によく使用されます。
         + **多クラス分類** – 多クラス分類では、政治、金融、哲学などのテキストドキュメントに最も関連するトピックの予測のように、属性に基づいて入力データをいくつかのクラスの 1 つに割り当てます。

      1. **ランタイム** – 最大時間制限を定義できます。制限時間に達すると、制限時間を超えたトライアルやジョブは自動的に停止します。

      1. **アクセス** — Amazon SageMaker Studio Classic がユーザーに代わって AWS のサービス (特に SageMaker AI と Amazon S3) への一時的なアクセスを取得するために引き受けるロールを選択できます。ロールが明示的に定義されていない場合、Studio Classic はユーザープロファイルにアタッチされているデフォルトの SageMaker AI 実行ロールを自動的に使用します。

      1. **暗号化** – 保管中のデータのセキュリティを強化し、不正アクセスから保護するために、Amazon S3 バケットと Studio Classic ドメインにアタッチされている Amazon Elastic Block Store (Amazon EBS) ボリューム内のデータを暗号化する暗号化キーを指定できます。

      1. **セキュリティ** – SageMaker AI ジョブを実行する仮想プライベートクラウド (Amazon VPC) を選択できます。Amazon VPC が入力および出力の Amazon S3 バケットにアクセスできることを確認してください。

      1. **プロジェクト** – この Autopilot 実験とモデル出力に関連付ける SageMaker AI プロジェクトの名前を指定します。プロジェクトを指定すると、Autopilot はそのプロジェクトを実験にタグ付けします。これにより、どのモデル出力がこのプロジェクトに関連付けられているかがわかります。

      1. **タグ** – タグはキーと値のペアの配列です。タグを使用して、リソースの目的 AWS のサービス、所有者、環境などのリソースを分類します。

   1. Autopilot 実験を作成する前に、**[次へ: 確認して作成]** を選択して Autopilot 実験の概要を確認してください。

1. **[実験を作成]** を選択します。実験を作成すると、SageMaker AI で Autopilot ジョブが開始されます。Autopilot は、実験の状況、ノートブック内のデータ探索プロセスとモデル候補に関する情報、生成されたモデルとそのレポートのリスト、およびそれらを作成するために使用されたジョブプロファイルを提供します。

   Autopilot ジョブによって生成されるノートブックの詳細については、「[AutoML タスクを管理するために生成される Autopilot ノートブック](autopilot-automate-model-development-notebook-output.md)」を参照してください。各モデル候補とそのレポートの詳細については、「[モデルの詳細を表示する](autopilot-models-details.md)」と「[Autopilot モデルのパフォーマンスレポートを表示する](autopilot-model-insights.md)」を参照してください。

**注記**  
不要な料金が発生しないようにするには: 不要になったモデルをデプロイする場合には、そのデプロイ中に作成されたエンドポイントとリソースを削除します。リージョン別のインスタンスの料金については、「[Amazon SageMaker の料金](https://aws.amazon.com/sagemaker/pricing/)」を参照してください。