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。

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。

请求 Real-time 预测

实时预测是对 Amazon Machine Learning (Amazon ML) 的同步调用。在 Amazon ML 收到请求时做出预测，并立即返回响应。 Real-time 预测通常用于在交互式 Web、移动或桌面应用程序中启用预测功能。您可以使用低延迟 Predict API，查询使用 Amazon ML 创建的 ML 模型进行实时预测。Predict 操作接受请求负载中的单个输入观察并在响应中同步返回预测。这使其有别于批量预测 API，后者使用指向输入观察位置的 Amazon ML 数据源对象的 ID 进行调用，并异步返回 URI，指向包含所有这些观察的预测的文件。Amazon ML 响应大多数实时预测请求的时间不超过 100 毫秒。

您可以在 Amazon ML 控制台中尝试实时预测而不产生任何费用。如果您随后决定使用实时预测，您必须首先为生成实时预测而创建终端节点。您可以在 Amazon ML 控制台中或者使用 CreateRealtimeEndpoint API 执行此操作。在您有终端节点之后，使用实时预测 API 来生成实时预测。

有关 Predict 请求和响应的示例，请参阅 Amazon Machine Learning API 参考中的预测。要查看使用您模型的确切响应格式的示例，请参阅尝试 Real-Time 预测。

尝试 Real-Time 预测

为了帮助您决定是否启用实时预测，Amazon ML 允许您尝试针对单个数据记录生成预测，而不会产生与设置实时预测终端节点相关的额外费用。要试用实时预测，您必须拥有 ML 模型。要创建更大规模的实时预测，请使用 Amazon Machine Learning API 参考中的预测 API。

创建 Real-Time 终端节点

要生成实时预测，您需要创建实时终端节点。要创建实时终端节点，您必须已经有要用于生成实时预测的 ML 模型。您可以使用 Amazon ML 控制台或者调用 CreateRealtimeEndpoint API 来创建实时终端节点。有关使用 CreateRealtimeEndpoint API 的更多信息，请参阅《Amazon Machine Learning API 参考》中的 https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html。

定位 Real-time 预测终端节点（控制台）

要使用 Amazon ML 控制台查找 ML 模型的终端节点 URL，请导航到模型的 ML 模型摘要页面。

定位 Real-time 预测端点 (API)

在您使用 CreateRealtimeEndpoint 操作创建实时终端节点时，在响应中向您返回终端节点的 URL 和状态。如果您使用控制台创建实时终端节点，或者如果您希望检索以前创建的终端节点的 URL 和状态，请使用您要用来查询实时预测的模型的 ID 调用 GetMLModel 操作。终端节点信息包含在响应的 EndpointInfo 部分中。对于关联了实时终端节点的模型，EndpointInfo 可能类似于：

"EndpointInfo":{
    "CreatedAt": 1427864874.227,
    "EndpointStatus": "READY",
    "EndpointUrl": "https://endpointUrl",
    "PeakRequestsPerSecond": 200
}

没有实时终端节点的模型将返回以下内容：

EndpointInfo":{
    "EndpointStatus": "NONE",
    "PeakRequestsPerSecond": 0
}

创建 Real-time 预测请求

示例 Predict 请求有效负载可能类似于下面这样：

{
    "MLModelId": "model-id",
    "Record":{
        "key1": "value1",
        "key2": "value2"
    },
    "PredictEndpoint": "https://endpointUrl"
}

PredictEndpoint 字段必须对应于 EndpointInfo 结构的 EndpointUrl 字段。Amazon ML 使用此字段将请求路由到实时预测队列中的相应服务器。

MLModelId 是以前训练的模型（带有实时终端节点）的标识符。

Record 是变量名到变量值的映射。每一对表示一个观察。Record 映射包含对 Amazon ML 模型的输入。这类似于训练数据集中无目标变量的单行数据。无论在训练数据中使用哪种值类型，Record 都包含字符串到字符串映射。

Predict 请求返回的响应格式取决于进行预测时查询的模型类型。在所有情况下，details 字段包含有关预测请求的信息，特别是包括带有模型类型的 PredictiveModelType 字段。

以下示例显示二进制模型的响应：

{
    "Prediction":{
        "details":{
            "PredictiveModelType": "BINARY"
        },
        "predictedLabel": "0",
        "predictedScores":{
            "0": 0.47380468249320984
        }
    }
}

请注意包含预测标签的 predictedLabel 字段，在本例中为 0。Amazon ML 将预测分数与分类截断值进行比较来计算预测标签。

有关二进制预测的更多信息，请参阅解释预测。

以下示例显示来自递归模型的响应。请注意在 predictedValue 字段中找到的预测数值：

{
    "Prediction":{
        "details":{
            "PredictiveModelType": "REGRESSION"
        },
        "predictedValue": 15.508452415466309
    }
}

以下示例显示多类别模型的响应：

{
    "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
        }
    }
}

与二元分类模型类似，预测 label/class 值可以在predictedLabel现场找到。您可以通过查看 predictedScores 映射，进一步了解预测与各分类相关联的强度。此映射中某个分类的分数越高，预测与该分类的相关性就越强，最高值最终被选择作为 predictedLabel。

有关多分类预测的更多信息，请参阅多类别模型洞察。

删除 Real-Time 终端节点

当您完成实时预测时，请删除实时终端节点以避免产生额外的费用。在您删除终端节点之后，立即停止产生费用。