我们不再更新 Amazon Machine Learning 服务，也不再接受新用户使用该服务。本文档可供现有用户使用，但我们不会再对其进行更新。有关更多信息，请参阅[什么是 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 创建 ML 模型
<a name="creating-ml-model-on-the-amazon-ml-console"></a>

创建数据源之后，您就可以创建 ML 模型。如果您使用 Amazon Machine Learning 控制台创建模型，则可选择使用默认设置或者通过应用自定义选项自定义您的模型。

自定义选项包括：
+ 评估设置：您可以选择让 Amazon ML 预留部分输入数据来评估 ML 模型的预测质量。有关评估的信息，请参阅[评估 ML 模型](https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html)。
+ 配方：配方会告诉 Amazon ML 哪些属性和属性转换可用于模型训练。有关 Amazon ML 配方的信息，请参阅[使用数据配方进行功能转换](https://docs.aws.amazon.com/machine-learning/latest/dg/feature-transformations-with-data-recipes.html)。
+ 训练参数：参数用于控制训练流程和生成的 ML 模型的特定属性。有关训练参数的更多信息，请参阅[训练参数](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html)。

要选择这些设置或为其指定值，请在使用“创建 ML 模型”向导时选择**自定义**选项。如果您希望 Amazon ML 应用默认设置，请选择**默认**。

在您创建 ML 模型时，Amazon ML 会根据目标属性的属性类型来选择将使用的学习算法类型。（目标属性是包含“正确”答案的属性。） 如果您的目标属性是“二进制”，Amazon ML 会创建一个使用逻辑回归算法的二进制分类模型。如果您的目标属性是“分类”，Amazon ML 会创建一个使用多项逻辑回归算法的多类别模型。如果您的目标属性是“数字”，Amazon ML 会创建一个使用线性回归算法的回归模型。

**Topics**
+ [先决条件](#model-prereqs)
+ [使用默认选项创建 ML 模型](#creating-ml-model-using-default-settings)
+ [使用自定义选项创建 ML 模型](#creating-ml-model-using-custom-settings)

## 先决条件
<a name="model-prereqs"></a>

 使用 Amazon ML 控制台创建 ML 模型之前，您需要创建两个数据源，一个用于训练模型，另一个用于评估模型。如果您尚未创建这两个数据源，请参阅教程中的[步骤 2：创建训练数据源](step-2-create-a-datasource.md)。

## 使用默认选项创建 ML 模型
<a name="creating-ml-model-using-default-settings"></a>

如果您希望 Amazon ML 应用默认设置，请选择**默认**选项：
+ 将输入数据拆分为使用第一个 70% 的数据进行训练，使用其余 30% 的数据进行评估
+ 根据在训练数据源（占 70% 的输入数据源）上收集的统计信息建议配方
+ 选择默认训练参数

**选择默认选项**

1. 在 Amazon ML 控制台中，选择 **Amazon Machine Learning**，然后选择**机器学习模型**。

1. 在**ML 模型**摘要页面上选择**创建新 ML 模型**。

1. 在**输入数据**页面上，确保已选择**我已创建指向 S3 数据的数据源**。

1. 在表中选择您的数据源，然后选择**继续**。

1. 在**ML 模型设置**页面上，为**ML 模型名称**键入您的 ML 模型名称。

1. 对于**训练和评估设置**，请确保选择**默认**。

1. 对于 **Name this evaluation**，请键入评估名称，然后选择**查看**。Amazon ML 会跳过向导的其余步骤，转到**查看**页面。

1. 检查您的数据，删除从不希望应用到模型和评估中的数据源复制的任何标签，然后选择**完成**。

## 使用自定义选项创建 ML 模型
<a name="creating-ml-model-using-custom-settings"></a>

通过自定义您的 ML 模型，您可以：
+ 提供您自己的配方。有关如何提供您自己的配方的信息，请参阅[配方格式参考](https://docs.aws.amazon.com/machine-learning/latest/dg/recipe-format-reference.html)。
+ 选择训练参数。有关训练参数的更多信息，请参阅[训练参数](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html)。
+ 选择除默认 70/30 比率之外的 training/evaluation 分光比率，或者提供您已经准备好进行评估的其他数据源。有关拆分策略的信息，请参阅[拆分数据](splitting-types.md)。

您还可以选择其中任何设置的默认值。

如果您已经使用默认选项创建了模型并且希望改进模型的预测性能，请使用**自定义**选项创建包含一些自定义设置的新模型。例如，您可以将更多特征转换添加到配方中或增加训练参数的通过次数。

**使用自定义选项创建模型**

1. 在 Amazon ML 控制台中，选择 **Amazon Machine Learning**，然后选择**机器学习模型**。

1. 在**ML 模型**摘要页面上选择**创建新 ML 模型**。

1. 如果您已经创建了数据源，请在**输入数据**页面上，选择**我已创建指向我的 S3 数据的数据源**。在表中选择您的数据源，然后选择**继续**。

   如果您需要创建数据源，请选择**我的数据在 S3 中，并且我需要创建数据源**，然后选择**继续**。您将重定向到**创建数据源**向导。指定您的数据在 **S3** 还是 **Redshift** 中，然后选择**验证**。完成创建数据源的过程。

   创建了数据源之后，系统会将您重定向到**创建 ML 模型**向导的下一个步骤。

1. 在**ML 模型设置**页面上，为**ML 模型名称**键入您的 ML 模型名称。

1. 在**选择训练和评估设置**中，选择**自定义**，然后选择**继续**。

1. 在**配方**页面上，您可以 [customize a recipe](recipe-format-reference.md)。如果您不想自定义配方，Amazon ML 会为您建议一个配方。选择**继续**。

1. 在**高级设置**页面上，指定**最大 ML 模型大小**、**传递的最大数据量**、**将训练数据的类型随机排序**、**正则化类型**和**正则化数量**。如果您未指定这些参数，Amazon ML 会使用默认的训练参数。

   有关这些参数及其默认值的更多信息，请参阅[训练参数](training-parameters.md)。

   选择**继续**。

1. 在**评估**页面上，指定是否要立即评估 ML 模型。如果您不想立即评估 ML 模型，请选择**审核**。

   如果您希望立即评估 ML 模型：

   1. 对于**为此评估命名**，键入评估的名称。

   1. 对于**选择评估数据**，选择您是否希望 Amazon ML 预留一部分输入数据进行评估，如果是，选择您希望如何拆分数据源，如果不是，请提供其他数据源进行评估。

   1. 选择**审核**。

1. 在**审核**页面上，编辑您的选择，删除从不希望应用到模型和评估中的数据源复制的任何标签，然后选择**完成**。

创建了模型之后，请参阅[步骤 4：查看 ML 模型的预测性能和设置分数阈值](step-4-review-model-and-set-cutoff.md)。