Não estamos mais atualizando o serviço Amazon Machine Learning nem aceitando novos usuários para ele. Essa documentação está disponível para usuários existentes, mas não estamos mais atualizando-a. Para obter mais informações, consulte [O que é o Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Tutorial: Usar o Amazon ML para prever respostas a uma oferta de marketing
Com o Amazon Machine Learning (Amazon ML), você pode criar e treinar modelos de previsão e hospedar aplicações em uma solução em nuvem dimensionável. Neste tutorial, vamos mostrar a você como usar o console do Amazon ML para criar uma fonte de dados, criar um modelo de machine learning (ML) e usar o modelo para gerar previsões para uso em aplicações.
Nosso exemplo de exercício mostra como identificar clientes potenciais para uma campanha de marketing direcionada, mas você pode aplicar os mesmos princípios para criar e usar diversos modelos de ML. Para concluir o exercício de exemplo, você usará conjuntos de dados de marketing e bancários disponíveis publicamente no [University of California at Irvine (UCI) Machine Learning Repository](http://archive.ics.uci.edu/ml/datasets.php). Esses conjuntos de dados contêm informações gerais sobre clientes e sobre como eles reagiram a contatos de marketing anteriores. Você usará esses dados para identificar os clientes que têm maior probabilidade de assinar o seu novo produto, um depósito bancário de longo prazo, também conhecido como certificado de depósito (CD).
**Atenção**
Este tutorial não está incluído no nível gratuito da AWS. Para obter mais informações sobre o Amazon ML, consulte [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/).
## Pré-requisito
Para executar o tutorial, você precisa ter uma conta da AWS. Caso não tenha uma conta da AWS, consulte [Configurar o Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html).
## Etapas
+ [Etapa 1: Preparar os dados](step-1-download-edit-and-upload-data.md)
+ [Etapa 2: Criar uma fonte de dados de treinamento](step-2-create-a-datasource.md)
+ [Etapa 3: criar um modelo de ML](step-3-create-an-ml-model.md)
+ [Etapa 4: Analisar o desempenho preditivo do modelo de ML e definir um limite de pontuação](step-4-review-model-and-set-cutoff.md)
+ [Etapa 5: Usar o modelo de ML para gerar previsões](step-5-create-predictions.md)
+ [Etapa 6: Limpeza](step-6-clean-up.md)
# Etapa 1: Preparar os dados
Em Machine Learning, você geralmente obtém os dados e garante que seu formato é válido antes de iniciar o processo de treinamento. Para fins deste tutorial, obtivemos um conjunto de dados de amostra no [UCI Machine Learning Repository](http://archive.ics.uci.edu/ml/), formatamos esse conjunto e dados de acordo com as diretrizes do Amazon ML e os disponibilizamos para download. Faça download do conjunto de dados no local de armazenamento do Amazon Simple Storage Service (Amazon S3) e faça upload para seu próprio bucket do S3 seguindo os procedimentos deste tópico.
Para obter os requisitos de formatação do Amazon ML, consulte [Noções básicas sobre o formato de dados para Amazon ML](understanding-the-data-format-for-amazon-ml.md).
**Para fazer download dos conjuntos de dados**
1. Faça download do arquivo que contém os dados históricos dos clientes que compraram produtos semelhantes ao seu depósito bancário de longo prazo clicando em [banking.zip](samples/banking.zip). Descompacte a pasta e salve o arquivo banking.csv no computador.
1. Faça download do arquivo que você usará para prever se os clientes em potencial responderão à oferta clicando em [banking-batch.zip](samples/banking-batch.zip). Descompacte a pasta e salve o arquivo banking-batch.csv no computador.
1. Abra o `banking.csv`. Você verá linhas e colunas de dados. A *linha do cabeçalho* contém os nomes dos atributos de cada coluna. Um *atributo* é uma propriedade exclusiva nomeada que descreve uma característica específica de cada cliente, por exemplo, nr\$1employed indica o status de contratação do cliente. Cada linha representa a coleção de observações sobre um único cliente.
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image1.png)
Você quer que o modelo de ML responda à pergunta "O cliente se inscreverá no meu novo produto?". No conjunto de dados `banking.csv`, a resposta a essa pergunta é o atributo **y**, que contém os valores 1 (para sim) ou 0 (para não). O atributo que você deseja que o Amazon ML saiba como prever é chamado de *atributo de destino*.
**nota**
O atributo **y** é um atributo binário. Ele pode conter apenas um dos dois valores, neste caso, 0 ou 1. No conjunto de dados UCI original, o atributo **y** é Sim ou Não. Editamos o conjunto de dados original para você. Agora, todos os valores do atributo **y** que significam sim são 1, e todos os valores que significam não são 0. Se você usar seus próprios dados, poderá usar outros valores para um atributo binário. Para obter mais informações sobre valores válidos, consulte [Usando o AttributeType campo](creating-a-data-schema-for-amazon-ml.md#assigning-data-types).
Os exemplos a seguir mostram os dados antes e depois que alteramos os valores do atributo **y** para os atributos binários 0 e 1.
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/pt_br/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/pt_br/machine-learning/latest/dg/images/image3.png)
O arquivo `banking-batch.csv` não contém o atributo **y**. Após criar um modelo de ML, você o usará para prever **y** para cada registro nesse arquivo.
Em seguida, faça upload dos arquivos `banking.csv ` e `banking-batch.csv` para o Amazon S3.
**Para fazer upload dos arquivos para um local do Amazon S3**
1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon S3 em. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Na lista **All Buckets (Todos os buckets)**, crie um bucket ou escolha o local onde você deseja fazer upload dos arquivos.
1. Na barra de navegação, escolha **Upload (Fazer upload)**.
1. Escolha **Adicionar arquivos**.
1. Na caixa de diálogo, navegue até a área de trabalho, escolha `banking.csv` e `banking-batch.csv` e escolha **Open (Abrir)**.
Agora, você está pronto para [criar a fonte de dados de treinamento](step-2-create-a-datasource.md).
# Etapa 2: Criar uma fonte de dados de treinamento
Após fazer upload do conjunto de dados `banking.csv` para o local do Amazon Simple Storage Service (Amazon S3), você o usará para criar uma fonte de dados de treinamento. Uma fonte de dados é um objeto do Amazon Machine Learning (Amazon ML) que contém o local dos dados de entrada e metadados importantes sobre os dados de entrada. O Amazon ML usa a fonte de dados para operações como o treinamento e a avaliação do modelo de ML.
Para criar uma fonte de dados, forneça os seguintes dados:
+ O local dos dados no Amazon S3 e a permissão para acessar esses dados
+ O esquema, que inclui os nomes dos atributos nos dados e o tipo de cada atributo (numérico, texto, categórico ou binário)
+ O nome do atributo que contém a resposta que o Amazon ML deve reconhecer para fazer a previsão: o atributo de destino
**nota**
Na verdade, a fonte de dados não armazena os dados, ele apenas faz referência a eles. Evite mover ou alterar os arquivos armazenados no Amazon S3. Se você movê-los ou alterá-los, o Amazon ML não poderá acessá-los para criar um modelo de ML, gerar avaliações ou gerar previsões.
**Para criar a fonte de dados de treinamento**
1. Abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Escolha **Começar**.
**nota**
Este tutorial assume que esta é a primeira vez que você está usando Amazon ML. Se você tiver usado o Amazon ML anteriormente, use a lista suspensa **Criar novo** no painel do Amazon ML para criar uma nova fonte de dados.
1. Na página **Conceitos básicos do Amazon Machine Learning**, escolha **Iniciar**.
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/get-started-launch.png)
1. Na página **Input Data (Dados de entrada)**, em **Where is your data located (Onde os dados estão localizados)**?, verifique se **S3** está selecionado.
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image5.png)
1. Em **S3 Location (Local do S3)**, digite o local completo do arquivo `banking.csv `da Etapa 1: Preparar os dados. Por exemplo: *your-bucket***/banking.csv**. O Amazon ML insere s3:// no início do nome do bucket.
1. Em **Datasource Name (Nome da fonte de dados)**, digite **Banking Data 1**.
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image6.png)
1. Escolha **Verificar**.
1. Na caixa de diálogo **S3 permissions (Permissões do S3)**, escolha **Yes (Sim)**.
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image7.png)
1. Se o Amazon ML puder acessar e ler o arquivo de dados no local do S3, você verá uma página semelhante à seguinte. Analise as propriedades e escolha **Continue (Continuar)**.
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image8.png)
Em seguida, estabeleça um esquema. Um *esquema* são as informações de que o Amazon ML precisa para interpretar os dados de entrada de um modelo de ML, incluindo nomes de atributos, os tipos de dados atribuídos e os nomes dos atributos especiais. Há duas maneiras de fornecer o Amazon ML com um esquema:
+ Forneça um arquivo de esquema separado ao fazer upload dos dados do Amazon S3.
+ Permita que o Amazon ML faça a inferência dos tipos de atributo e crie um esquema para você.
Neste tutorial, solicitaremos que o Amazon ML faça a inferência do esquema.
Para obter mais informações sobre como criar um arquivo de esquema separado, consulte [Criar um esquema de dados para o Amazon ML](creating-a-data-schema-for-amazon-ml.md).
**Para permitir que o Amazon ML faça a inferência do esquema**
1. Na página **Esquema**, o Amazon ML mostra o esquema que inferiu. Analise os tipos de dados que o Amazon ML inferiu para os atributos. É importante que os atributos recebam o tipo de dados correto para que o Amazon ML possa inserir os dados corretamente e habilitar o processamento de recurso correto nos atributos.
+ Os atributos que têm apenas dois estados possíveis, como yes (sim) ou no (não), devem ser marcados como **Binary (Binários)**.
+ Os atributos que são números ou strings usados para denotar uma categoria devem ser marcados como **Categorical (Categóricos)**.
+ Os atributos que são quantidades numéricas para as quais o pedido é significativo devem ser marcados como **Numeric (Numéricos)**.
+ Os atributos que são strings que você deseja tratar como palavras delimitadas por espaços devem ser marcados como **Text (Texto)**.
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image10.png)
1. Neste tutorial, o Amazon ML identificou corretamente os tipos de dados de todos os atributos, portanto, escolha **Continuar**.
Em seguida, selecione um atributo de destino.
Lembre-se de que o destino é o atributo que o modelo de ML precisa reconhecer para fazer a previsão. O atributo **y** indica se um indivíduo se inscreveu em uma campanha no passado: 1 (sim) ou 0 (não).
**nota**
Escolha um atributo de destino somente se você pretende usar a fonte de dados para o treinamento e a avaliação dos modelos de ML.
**Para selecionar y como atributo de destino**
1. No canto inferior direito da tabela, escolha a seta única para avançar para a última página da tabela, local em que o atributo `y` será exibido.
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image11.png)
1. Na coluna **Target (Destino)**, selecione `y`.
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image12.png)
O Amazon ML confirma que **y** foi selecionado como destino.
1. Escolha **Continuar**.
1. Na página **Row ID (ID da linha)**, em **Does your data contain an identifier? (Os dados contêm um identificador?)**, verifique se **No (Não)**, o padrão, está selecionado.
1. Escolha **Review (Rever)** e, em seguida, escolha **Continue (Continuar)**.
Agora que tem uma fonte de dados de treinamento, você está pronto para [criar o modelo](step-3-create-an-ml-model.md).
# Etapa 3: criar um modelo de ML
Depois de criar a fonte de dados de treinamento, você pode usá-la para criar um modelo de ML, treinar o modelo e depois avaliar os resultados. O modelo de ML é um conjunto de padrões que o Amazon ML encontra nos dados durante o treinamento. Você usa o modelo para criar previsões.
**Para criar um modelo de ML**
1. Como o assistente Comece a usar cria uma fonte de dados de treinamento e um modelo, o Amazon Machine Learning (Amazon ML) usa automaticamente a fonte de dados de treinamento que você acabou de criar e leva você diretamente para a página **Configurações do modelo de ML**. Na página **ML model settings (Configurações do modelo de ML)**, em **ML model name (Nome do modelo de ML)**, verifique se o padrão, **ML model: Banking Data 1**, é exibido.
Usar um nome amigável, como o padrão, ajuda você a identificar e gerenciar facilmente o modelo de ML.
1. Em **Training and evaluation settings (Configurações de treinamento e avaliação)**, verifique se **Default (Padrão)** está selecionado.
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image19.png)
1. Em **Name this evaluation (Nomear esta avaliação)**, aceite o padrão, **Evaluation: ML model: Banking Data 1**.
1. Escolha **Review (Rever)**, revise as configurações e, em seguida, escolha **Finish (Concluir)**.
Depois que você escolhe **Concluir**, o Amazon ML adiciona o modelo à fila de processamento. Quando o Amazon ML cria o modelo, ele aplica os valores padrão e realiza as seguintes ações:
+ Divide a fonte de dados de treinamento em duas seções, uma contendo 70% dos dados e outra contendo os 30% restantes
+ Treina o modelo de ML na seção que contém 70% dos dados de entrada
+ Avalia o modelo usando os 30% restantes dos dados de entrada
Embora o modelo esteja na fila, o Amazon ML informa o status como **Pendente**. Embora o Amazon ML crie o modelo, ele informa o status como **Em andamento**. Quando ele tiver concluído todas as ações, informará o status como **Completed (Concluído)**. Aguarde a avaliação ser concluída antes de prosseguir.
Agora você está pronto para [revisar o desempenho do modelo e definir uma pontuação de corte](step-4-review-model-and-set-cutoff.md).
Para obter mais informações sobre modelos de avaliação e treinamento, consulte [Modelos de ML de treinamento](training-ml-models.md) e [Avaliar modelos de ML](evaluating_models.md).
# Etapa 4: Analisar o desempenho preditivo do modelo de ML e definir um limite de pontuação
Agora que você criou seu modelo de ML e o Amazon Machine Learning (Amazon ML) o avaliou, veremos se ele é suficientemente bom para ser colocado em uso. Durante a avaliação, o Amazon ML calculou uma métrica de qualidade padrão do setor, chamada Área em uma Curva (AUC), que expressa a qualidade do desempenho de seu modelo de ML. O Amazon ML também interpreta a métrica AUC para informar se a qualidade do modelo de ML é adequada para a maioria das aplicações de machine learning. (Saiba mais sobre AUC em [Medição da precisão do modelo de ML](binary-model-insights.md#measuring-ml-model-accuracy).) Vamos analisar a métrica AUC e ajustar o limite de pontuação ou de corte para otimizar o desempenho preditivo do modelo.
**Para analisar a métrica AUC de seu modelo de ML**
1. Na página **ML model summary (Resumo do modelo de ML)**, no painel de navegação **ML model report (Relatório do modelo de ML)**, escolha **Evaluations (Avaliações)**, **Evaluation: ML model: Banking model 1 (Avaliação: modelo de ML: modelo bancário 1)** e **Summary (Resumo)**.
1. Na página **Evaluation summary (Resumo da avaliação)**, analise o resumo da avaliação, inclusive a métrica de desempenho AUC do modelo.
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image24.png)
O modelo de ML gera pontuações de previsão numérica para cada registro em uma fonte de dados de previsão e, em seguida, aplica um limite para converter essas pontuações em rótulos binários de 0 (para não) ou 1 (para sim). Alterando o *limite de pontuação*, você pode ajustar o modo como o modelo de ML atribui esses rótulos. Agora, defina o limite de pontuação.
**Para definir um limite de pontuação para seu modelo de ML**
1. Na página **Evaluation Summary (Resumo da avaliação)**, escolha **Adjust Score Threshold (Ajustar limite de pontuação).**
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image25.png)
Você pode ajustar as métricas de desempenho de seu modelo de ML ajustando o limite de pontuação. O ajuste desse valor muda o nível de confiança que o modelo deve ter em uma previsão antes de considerá-la como positiva. Ele também altera a quantidade de falsos negativos e falsos positivos que você está disposto a tolerar em suas previsões.
Você pode controlar o limite de corte daquilo que o modelo considera uma previsão positiva aumentando o limite de pontuação até que apenas as previsões com a probabilidade mais alta de serem verdadeiros positivos sejam consideradas como positivas. Você também pode reduzir o limite de pontuação até que não tenha mais falsos negativos. Escolha o limite de corte que refletir as necessidades da sua empresa. Neste tutorial, cada falso positivo representa custos para a campanha, portanto, queremos uma taxa alta entre verdadeiros e falsos positivos.
1. Suponha que você deseja atingir os principais 3% dos clientes que assinam o produto. Deslize o seletor vertical para definir o limite de pontuação como um valor que corresponda a **3% of the records are predicted as "1" (3% dos registros são previstos como "1")**.
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image26.png)
Observe o impacto desse limite de pontuação no desempenho do modelo de ML: a taxa de falsos positivos é 0,007. Vamos supor que essa taxa de falsos positivos seja aceitável.
1. Escolha **Save score threshold at 0.77 (Salvar limite de pontuação a 0,77)**.
Sempre que você usa o modelo de ML para fazer previsões, ele prevê os registros com pontuações superiores a 0,77 como "1" e os outros registros como "0".
Para saber mais sobre o limite de pontuação, consulte [Classificação binária](binary-classification.md).
Agora você está pronto para [criar previsões usando o modelo](step-5-create-predictions.md).
# Etapa 5: Usar o modelo de ML para gerar previsões
O Amazon Machine Learning (Amazon ML) pode gerar dois tipos de previsões: em lotes e em tempo real.
Uma *previsão em tempo real* é uma previsão para uma única observação que gera o Amazon ML sob demanda. As previsões em tempo real são ideais para aplicativos móveis, sites e outros aplicativos que precisam usar resultados interativamente.
Uma *previsão em lote* é um conjunto de previsões para um grupo de observações. O Amazon ML processa os registros em uma previsão em lote, o que pode levar algum tempo. Use previsões em lotes para aplicativos que exigem previsões para o conjunto de observações ou previsões que não usam os resultados de forma interativa.
Para este tutorial, você gerará uma previsão em tempo real que prevê se um cliente em potencial se inscreverá no novo produto. Você também gerará previsões para um grande lote de clientes potenciais. Para a previsão em lotes, você usará o arquivo `banking-batch.csv` que carregou na [Etapa 1: Preparar os dados](step-1-download-edit-and-upload-data.md).
Vamos começar com uma previsão em tempo real.
**nota**
Para aplicativos que exigem previsões em tempo real, você precisa criar um endpoint em tempo real para o modelo de ML. Você acumula cobranças enquanto um endpoint em tempo real está disponível. Antes de confirmar o uso de previsões em tempo real e começar a incorrer no custo associado a elas, tente usar o recurso de previsão em tempo real no navegador da web, sem a criação de um endpoint em tempo real. É o que faremos neste tutorial.
**Para tentar uma previsão em tempo real**
1. No painel de navegação **ML model report (Relatório do modelo de ML)**, escolha **Try real-time predictions (Tentar previsões em tempo real)**.
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)
1. Escolha **Paste a record (Colar um registro)**.
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/paste-a-record.png)
1. Na caixa de diálogo **Paste a record (Colar um registro)**, cole a seguinte observação:
```
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. Na caixa de diálogo **Colar um registro**, escolha **Enviar** para confirmar que você deseja gerar uma previsão para essa observação. O Amazon ML preenche os valores no formulário de previsão em tempo real.
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/value-column.png)
**nota**
Você também pode preencher os campos **Value (Valor)** digitando valores individuais. Independentemente do método escolhido, você deve fornecer uma observação que não foi usada para treinar o modelo.
1. Na parte inferior da página, escolha **Create prediction (Criar previsão)**.
A previsão aparece no painel **Prediction results (Resultados da previsão)** à direita. Essa previsão tem um **Predicted label (Rótulo previsto)** igual a `0`, o que significa que esse cliente potencial dificilmente responderá à campanha. Um **Predicted label (Rótulo previsto)** igual a `1` significa que o cliente provavelmente responderá à campanha.
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/real-time-result.png)
Agora crie uma previsão em lote. Você fornecerá ao Amazon ML o nome do modelo de ML que está usando, o local do Amazon Simple Storage Service (Amazon S3) dos dados de entrada para os quais deseja gerar previsões (o Amazon ML criará uma fonte de dados de previsão em lotes a partir desses dados) e o local do Amazon S3 para armazenar os resultados.
**Para criar uma previsão em lote**
1. Escolha **Amazon Machine Learning** e, em seguida, escolha **Batch Predictions (Previsões em lotes)**.
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image29.png)
1. Escolha **Create new batch prediction (Criar nova previsão em lotes)**.
1. Na página **ML model for batch predictions (Modelo de ML para previsões em lotes)**, escolha **ML model: Banking Data 1 (Modelo de ML: dados bancários 1)**.
O Amazon ML exibe o nome do modelo de ML, o ID, a hora de criação e o ID da fonte de dados associada.
1. Escolha **Continuar**.
1. Para gerar previsões, você precisa fornecer ao Amazon ML os dados para os quais precisa gerar previsões. Eles são chamados de *dados de entrada*. Em primeiro lugar, coloque os dados de entrada em uma fonte de dados para que o Amazon ML possa acessá-los.
Em **Locate the input data (Localizar os dados de entrada)**, escolha **My data is in S3, and I need to create a datasource (Meus dados estão no S3, e eu preciso criar uma fonte de dados)**.
![\[Radio button options for locating input data, with the second option selected.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image31.png)
1. Em **Datasource Name (Nome da fonte de dados)**, digite **Banking Data 2**.
1. Para **S3 Location**, digite a localização completa do `banking-batch.csv` arquivo: *your-bucket***/banking-batch.csv**.
1. Em **Does the first line in your CSV contain the column names? (A primeira linha de seu CSV contém os nomes das colunas?)**, escolha **Yes (Sim)**.
1. Escolha **Verificar**.
O Amazon ML validará o local dos dados.
1. Escolha **Continuar**.
1. Em **Destino do S3**, digite o nome do local do Amazon S3 em que você carregou os arquivos na "Etapa 1: preparar os dados". O Amazon ML carrega os resultados das previsões nesse local.
1. Em **Nome de previsão em lote**, aceite o padrão, **Batch prediction: ML model: Banking Data 1**. O Amazon ML escolhe o nome padrão com base no modelo que ele usará para criar previsões. Neste tutorial, o modelo e as previsões recebem o mesmo nome da fonte de dados de treinamento: `Banking Data 1`.
1. Escolha **Revisar**.
1. Na caixa de diálogo **S3 permissions (Permissões do S3)**, escolha **Yes (Sim)**.
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image32.png)
1. Na página **Review (Rever)**, escolha **Finish (Concluir)**.
A solicitação de previsão em lote é enviada ao Amazon ML e inserida em uma fila. O tempo que o Amazon ML leva para processar uma previsão em lote depende do tamanho da fonte de dados e da complexidade do modelo de ML. Embora o Amazon ML processe a solicitação, ele informa o status **Em andamento**. Após a conclusão da previsão em lotes, o status da solicitação é alterado para **Completed (Concluído)**. Agora você pode exibir os resultados.
**Para exibir as previsões**
1. Escolha **Amazon Machine Learning** e, em seguida, escolha **Batch Predictions (Previsões em lotes)**.
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image33.png)
1. Na lista de previsões, escolha **Batch prediction: ML model: Banking Data 1 (Previsão em lotes: modelo de ML: dados bancários 1)**. A página **Batch prediction info (Informações da previsão em lotes)** é exibida.
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image34.png)
1. Para visualizar os resultados da previsão do lote, acesse o console do Amazon S3 em [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)e navegue até o local do Amazon S3 referenciado no campo URL de saída **do** S3. Nesse local, navegue até a pasta de resultados, que terá um nome semelhante 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/pt_br/machine-learning/latest/dg/images/image35.png)
A previsão é armazenada em um arquivo .gzip compactado com a extensão .gz.
1. Faça download do arquivo de previsão para sua área de trabalho, descompacte-o e abra-o.
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image36.png)
O arquivo tem duas colunas, **bestAnswer** e **score (pontuação)**, e uma linha para cada observação na fonte de dados. Os resultados na coluna **bestAnswer** são baseados no limite de pontuação de 0,77 que você definiu na [Etapa 4: Analisar o desempenho preditivo do modelo de ML e definir um limite de pontuação](step-4-review-model-and-set-cutoff.md). Uma **score (pontuação)** superior a 0,77 resultará em uma **bestAnswer** igual a 1, que é uma previsão ou resposta positiva, e uma **score (pontuação)** inferior a 0,77 resultará em uma **bestAnswer** igual a 0, que é uma previsão ou resposta negativa.
Os exemplos a seguir mostram previsões positivas e negativas com base no limite de pontuação 0,77.
Previsão positiva:
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image37.png)
Neste exemplo, o valor de **bestAnswer** é 1, e o valor de **score (pontuação)** é 0,8228876. O valor de **bestAnswer** é 1 porque a **score (pontuação)** é maior que o limite de pontuação de 0,77. Uma **bestAnswer** igual a 1 indica que o cliente provavelmente comprará seu produto e é, portanto, considerada uma previsão positiva.
Previsão negativa:
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image38.png)
Neste exemplo, o valor de **bestAnswer** é 0 porque o valor de **score (pontuação)** é 0,7695356, que é inferior ao limite de pontuação de 0,77. A **bestAnswer** igual a 0 indica que o cliente provavelmente não comprará seu produto e é, portanto, considerada uma previsão negativa.
Cada linha do resultado do lote corresponde a uma linha em sua entrada de lote (uma observação em sua fonte de dados).
Após analisar as previsões, você pode executar a campanha de marketing segmentada; por exemplo, enviando folhetos a todas as pessoas com uma pontuação prevista igual a `1`.
Agora que você criou, analisou e usou seu modelo, [limpe os dados e os recursos da AWS que você criou](step-6-clean-up.md) para evitar cobranças desnecessárias e manter seu espaço de trabalho organizado.
# Etapa 6: Limpeza
Para evitar o acúmulo de cobranças adicionais do Amazon Simple Storage Service (Amazon S3), exclua os dados armazenados no Amazon S3. Você não será cobrado por outros recursos do Amazon ML que não forem usados, mas recomendamos que os exclua para manter seu espaço de trabalho limpo.
**Para excluir os dados de entrada armazenados no Amazon S3**
1. Abra o console do Amazon S3 em [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Navegue até o local do Amazon S3 onde você armazenou os arquivos `banking.csv` e `banking-batch.csv`.
1. Selecione os arquivos `banking.csv`, `banking-batch.csv` e `.writePermissionCheck.tmp`.
1. Escolha **Ações** e, em seguida, escolha **Excluir**.
1. Quando a confirmação for solicitada, escolha **OK**.
Embora você não seja cobrado para manter o registro da previsão em lote que o Amazon ML executou, nem as fontes de dados, o modelo e a avaliação criados durante o tutorial, recomendamos excluí-los para impedir que sobrecarreguem seu espaço de trabalho.
**Para excluir as previsões em lote**
1. Navegue até o local do Amazon S3 onde você armazenou a saída da previsão em lote.
1. Escolha a pasta `batch-prediction`.
1. Escolha **Ações** e, em seguida, escolha **Excluir**.
1. Quando a confirmação for solicitada, escolha **OK**.
**Para excluir os recursos do Amazon ML**
1. No painel do Amazon ML, selecione os recursos a seguir.
+ A fonte de dados `Banking Data 1`
+ A fonte de dados `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]`
+ A fonte de dados `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]`
+ A fonte de dados `Banking Data 2`
+ O modelo de ML `ML model: Banking Data 1`
+ A avaliação `Evaluation: ML model: Banking Data 1`
1. Escolha **Ações** e, em seguida, escolha **Excluir**.
1. Na caixa de diálogo, escolha **Delete (Excluir)** para excluir todos os recursos selecionados.
Você concluiu com êxito o tutorial. Para continuar a usar o console para criar fontes de dados, modelos e previsões, consulte o [Guia de desenvolvedor do Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/). Para aprender a usar a API, consulte a [Amazon Machine Learning API Reference](https://docs.aws.amazon.com/machine-learning/latest/APIReference/).