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。

# 步骤 5：使用 ML 模型生成预测
<a name="step-5-create-predictions"></a>

 Amazon Machine Learning (Amazon ML) 可以生成两种类型的预测 — 批量和实时。

*实时预测*是对 Amazon ML 按需生成的单个观察结果的预测。 Real-time 预测非常适合需要以交互方式使用结果的移动应用程序、网站和其他应用程序。

 *批量预测*是对一组观察的预测集。Amazon ML 在批量预测中将记录放在一起处理，因此处理可能需要一些时间。对于应用程序，如果需要的是对一组观察进行的预测或者无需交互使用结果的预测。

在本教程中，您将生成实时预测，预测一位潜在客户是否将订阅新产品。您还会为一大批潜在客户生成预测。对于批量预测，您将使用您在`banking-batch.csv`中上传的 [步骤 1：准备数据](step-1-download-edit-and-upload-data.md) 文件。

我们从实时预测开始。

**注意**  
对于需要实时预测的应用程序，您必须为 ML 模型创建实时终端节点。在实时终端节点可用时，您会产生费用。在您承诺使用实时预测并开始产生与之相关的费用之前，您可以尝试在 Web 浏览器中使用实时预测功能，无需创建实时终端节点。这就是我们将在本教程中完成的操作。

**尝试实时预测**

1. 在 **ML 模型报告**导航窗格中，选择**尝试实时预测**。  
![ML 模型报告导航窗格突出显示了 “尝试实时预测” 选项。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)

1. 选择**粘贴记录**。  
![粘贴实时预测界面中突出显示的记录按钮。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/paste-a-record.png)

1. 在**粘贴记录**对话框中，粘贴以下观察：

   ```
   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. 在**粘贴记录**对话框中，选择**提交**以确认您希望为此观察生成预测。Amazon ML 填充实时预测表单中的值。  
![显示年龄属性的表行，其值为数值为 32.0。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/value-column.png)
**注意**  
您还可以通过键入单个值来填充**值**字段。不论选择哪种方法，您应提供未用于训练模型的观察。

1. 在页面底部，选择**创建预测**。

   预测显示在右侧的**预测结果**窗格中。此预测具有为 `0` 的**预测标签**，这意味着此潜在客户不太可能响应市场活动。**预测标签** 为 `1` 意味着可能有可能响应市场活动。  
![预测结果窗格显示使用 SGD 算法的预测标签 0，分数为 0.03348433。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/real-time-result.png)

现在，创建批量预测。您向 Amazon ML 提供所用 ML 模型的名称；希望为其生成预测的输入数据（Amazon ML 将从此数据创建批量预测数据源）的 Amazon Simple Storage Service (Amazon S3) 位置；用于存储结果的 Amazon S3 位置。

**创建批量预测**

1. 选择 **Amazon Machine Learning**，然后选择**批量预测**。  
![Amazon Machine Learning 菜单已展开，显示控制面板、数据源、机器学习模型、评估和批量预测选项。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image29.png)

1. 选择**创建新批量预测**。

1. 在**用于批量预测的 ML 模型**页面上，选择**ML 模型: 银行数据 1**。

   Amazon ML 显示 ML 模型名称、ID、创建时间以及关联的数据源 ID。

1. 选择**继续**。

1. 要生成预测，您需要向 Amazon ML 提供所要进行预测的数据。这称为*输入数据*。首先，将输入数据移入数据源以便 Amazon ML 访问。

   对于**找到输入数据**，选择**我的数据在 S3 中，并且我需要创建数据源**。  
![两个单选按钮选项：一个用于现有数据源，一个用于创建新数据源。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image31.png)

1. 为**数据源名称** 键入 **Banking Data 2**。

1. 对于 **S3 位置**，键入`banking-batch.csv`文件的完整位置：{{your-bucket}}**/banking-batch.csv**。

1. 对于**您的 CSV 中的第一行是否包含列名?**，选择**是**。

1. 选择**验证**。

   Amazon ML 验证您数据的位置。

1. 选择**继续**。

1. 对于 **S3 目标**，键入您在“步骤 1：准备您的数据”中上传文件到 Amazon S3 位置的名称。Amazon ML 将预测结果上传到这里。

1. 对于**批量预测名称**，接受默认值 **Batch prediction: ML model: Banking Data 1**。Amazon ML 根据将用于创建预测的模型选择默认名称。在本教程中，模型和预测根据训练数据源 `Banking Data 1` 命名。

1. 选择**审核**。

1. 在 **S3 权限**对话框中，选择**是**。  
![使用 “否” 和 “是” 按钮请求写入权限的 S3 权限对话框。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image32.png)

1. 在**审核**页面上，选择**完成**。

   批量预测请求发送到 Amazon ML 并进入队列中。Amazon ML 处理批量预测所用的时间取决于您数据源的大小以及 ML 模型的复杂性。Amazon ML 处理请求时，它将状态报告为**正在进行**。批量预测完成后，请求的状态更改为**完成**。现在，您可以查看结果。

**查看预测**

1. 选择 **Amazon Machine Learning**，然后选择**批量预测**。  
![Amazon Machine Learning 突出显示了 Batch 预测选项的导航菜单。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image33.png)

1. 在预测列表中，选择**批量预测: ML 模型: 银行数据 1**。此时显示**批量预测信息**页面。  
![批量预测详细信息显示 ID、创建时间、状态、数据源 ID、模型 ID 和 S3 网址。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image34.png)

1. 要查看批量预测的结果，请转至 Amazon S3 控制台，[https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)然后导航到 “**输出 S3 网址” 字段中引用的 Amazon** S3 位置。从该处导航到结果文件夹，其名称将类似于 `s3://aml-data/batch-prediction/result`。  
![显示结果文件夹中的 bp-u5 DMGZYFa9I-banking-batch.csv.gz 文件的 S3 存储桶。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image35.png)

   预测存储在压缩的 .gzip 文件中，扩展名为 .gz。

1. 下载预测文件到您的桌面，解压缩，然后打开它。  
![该表显示了 BestanSwer 分数，其值范围在 0.06046 到 0.30811 之间。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image36.png)

   该文件有两列 **bestAnswer** 和 **score**，数据源中的每个观察为一行。**bestAnswer** 列中的结果是基于您在[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)中设置的评分阈值 0.77。大于 0.77 的 **score** 会导致 **bestAnswer** 为 1，这是正向响应或预测，小于 0.77 的 **score** 会导致 **bestAnswer** 为 0，这是负向响应或预测。

   以下示例基于 0.77 的分数阈值显示正向和负向预测。

 正向预测：

![该表显示 BestanSwer 分数为 1，置信度值为 0.8228876。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image37.png)


在此示例中，**bestAnswer** 的值为 1，**score** 的值为 0.8228876。**bestAnswer** 的值为 1 是因为 **score** 大于分数阈值 0.77。**bestAnswer** 为 1 指示客户希望购买产品，因此，视为正向预测。

 负向预测：

![该表显示 BestanSwer 分数为 0，数字分数为 0.7693356。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image38.png)


 在此示例中，**bestAnswer** 的值为 0，因为 **score** 值为 0.7695356，这低于分数阈值 0.77。**bestAnswer** 为 0 表示客户不太可能购买您的产品，因此视为负向预测。

批处理结果中的每一列均与您的批处理输入中的一行相对应（您的数据源中的一个观察）。

分析预测之后，您可以执行定向市场营销活动；例如，向预测分数为 `1` 的所有人发送宣传材料。

在创建、查看并使用了自己的模型之后，现在[清除您创建的数据和 AWS 资源](step-6-clean-up.md)以避免产生不必要的费用并保持工作区整洁。