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。
# 教程：使用 Amazon ML 预测对营销方案的响应
使用 Amazon Machine Learning (Amazon ML)，您可以生成和训练预测模型，并将您的应用程序托管在可扩展的云解决方案中。在本教程中，我们将向您展示如何使用 Amazon ML 控制台创建数据源、生成机器学习 (ML) 模型，然后使用模型生成您可用于您应用程序的预测。
我们的示例练习演示如何确定目标营销活动的潜在客户，不过您可以应用相同的准则来创建和使用各种 ML 模型。为完成示例练习，您将使用来自[加利福尼亚大学欧文分校 (UCI) 机器学习存储库](http://archive.ics.uci.edu/ml/datasets.php)公开提供的银行和营销数据集。这些数据集包含有关客户的一般信息，以及有关客户如何响应之前营销联系人的信息。您将使用此数据来确定哪些客户最有可能订阅您的新产品，即银行定期存款（也称为存折存款 (CD)）。
**警告**
本教程不包含在 AWS 免费套餐中。有关 Amazon ML 定价的更多信息，请参阅 [https://aws.amazon.com/machine-learning/pricing/](https://aws.amazon.com/machine-learning/pricing/)。
## 先决条件
要执行教程中的操作，您需要有 AWS 账户。如果您没有 AWS 账户，请参阅[设置 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/setting-up-amazon-machine-learning.html)。
## Steps
+ [步骤 1：准备数据](step-1-download-edit-and-upload-data.md)
+ [步骤 2：创建训练数据源](step-2-create-a-datasource.md)
+ [步骤 3：创建 ML 模型](step-3-create-an-ml-model.md)
+ [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)
+ [步骤 5：使用 ML 模型生成预测](step-5-create-predictions.md)
+ [步骤 6：清除](step-6-clean-up.md)
# 步骤 1：准备数据
在机器学习中，您通常会获取数据并确保它经过了正确格式化，然后再开始训练过程。出于本教程的目的，我们从 [UCI 机器学习存储库](http://archive.ics.uci.edu/ml/)获取示例数据集，将其格式化以遵循 Amazon ML 指南，并使其可供您下载。按照本主题中的以下过程操作，从我们的 Amazon Simple Storage Service (Amazon S3) 存储位置下载数据集，并将其上传到您自己的 S3 存储桶。
有关 Amazon ML 格式化要求，请参阅[了解 Amazon ML 的数据格式](understanding-the-data-format-for-amazon-ml.md)。
**下载数据集**
1. 单击 [banking.zip](samples/banking.zip)，下载包含客户历史记录数据的文件，这些客户购买的产品与您的银行定期存款类似。解压缩该文件夹并将 banking.csv 文件保存到您的计算机上。
1. 单击 [banking-batch.zip](samples/banking-batch.zip)，下载您将用来预测潜在客户是否会响应您方案的文件。解压缩该文件夹并将 banking-batch.csv 文件保存到您的计算机上。
1. 打开 `banking.csv`。您将看到数据的行和列。*标题行* 包含各列的属性名称。*属性* 是指定的唯一属性，描述各客户的具体特征；例如 nr\$1employed 指示客户的雇佣状态。各行表示各个客户的相关观察的集合。
![\[Spreadsheet preview showing header row with columns for euribor3m, nr_employed, and y.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image1.png)
您希望 ML 模型回答问题“此客户是否会订阅我的新产品？”。在 `banking.csv` 数据集中，此问题的答案是属性 **y**，该属性包含值 1（表示“是”）或 0（表示“否”）。您希望 Amazon ML 用来学习如何进行预测的属性称为*目标属性*。
**注意**
属性 **y** 是一个二进制属性。它只包含两个值之一，在这种情况下为 0 或 1。在原始 UCI 数据集中，**y** 属性为 Yes 或 No。我们已经为您编辑了原始数据集。属性 **y** 的所有表示 yes 的值现在是 1，所有表示 no 的值现在是 0。如果使用自己的数据，您可以为二进制属性使用其他值。有关有效值的更多信息，请参阅[使用字 AttributeType 段](creating-a-data-schema-for-amazon-ml.md#assigning-data-types)。
以下示例显示我们将属性 **y** 中的值更改为二进制属性 0 和 1 前后的数据。
![\[Data table showing 'banking.csv' with columns for 'euribor3m', 'nr_employed', and binary 'y' values.\]](http://docs.aws.amazon.com/zh_cn/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/zh_cn/machine-learning/latest/dg/images/image3.png)
`banking-batch.csv` 文件不包含 **y** 属性。在创建了 ML 模型之后，您将使用该模型来预测该文件中各个记录的 **y**。
接下来，上传 `banking.csv ` 和 `banking-batch.csv` 文件到 Amazon S3。
**将文件上传到 Amazon S3 位置**
1. 登录AWS 管理控制台并打开 Amazon S3 控制台，网址为[https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)。
1. 在**所有存储桶**列表中，创建存储桶或者选择您希望将文件上传到的位置。
1. 在导航栏中，选择**上传**。
1. 选择 **Add Files**。
1. 在对话框中，导航到桌面，选择 `banking.csv` 和 `banking-batch.csv`，然后选择**打开**。
现在您已准备就绪，可[创建训练数据源](step-2-create-a-datasource.md)。
# 步骤 2：创建训练数据源
在将 `banking.csv` 数据集上传到 Amazon Simple Storage Service (Amazon S3) 位置之后，您可以用它来创建训练数据源。数据源是 Amazon Machine Learning (Amazon ML) 对象，包含输入数据的位置以及有关输入数据的重要元数据。Amazon ML 将数据源用于 ML 模型训练和评估等操作。
要创建数据源，请提供以下信息：
+ 您数据的 Amazon S3 位置以及数据访问权限
+ 架构，其中包含数据中各属性的名称及其类型（数值、文本、分类或二进制）
+ 属性的名称，该属性包含您希望 Amazon ML 学习进行预测的答案，即目标属性
**注意**
数据源并不实际存储您的数据，只是引用它。避免移动或更改在 Amazon S3 中存储的文件。否则，Amazon ML 无法访问它们来创建 ML 模型、生成评估或生成预测。
**创建训练数据源**
1. 打开 Amazon Machine Learning 控制台，网址为[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/)。
1. 选择**开始**。
**注意**
本教程假定您是首次使用 Amazon ML。如果您以前使用过 Amazon ML，则可以使用 Amazon ML 控制面板上的**新建...**下拉列表来创建新的数据源。
1. 在 **Amazon Machine Learning 入门**页面上，选择**启动**。
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/get-started-launch.png)
1. 在**输入数据**页面上，对于**您的数据位于何处?**，确保选择了 **S3**。
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image5.png)
1. 对于**S3 位置**，键入来自“步骤 1：准备数据”中的 `banking.csv ` 文件的完整位置。例如：*your-bucket***/banking.csv**。Amazon ML 会为您添加 s3:// 到存储桶名称前。
1. 为**数据源名称** 键入 **Banking Data 1**。
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image6.png)
1. 选择**验证**。
1. 在 **S3 权限**对话框中，选择**是**。
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image7.png)
1. 如果 Amazon ML 可以访问和读取 S3 位置中的数据文件，您将看到类似以下内容的页面。检查属性，然后选择**继续**。
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image8.png)
接下来，建立架构。*架构*是 Amazon ML 解释 ML 模型的输入数据时需要的信息，包括属性名、为属性分配的数据类型以及特殊属性的名称。有两种方法可以向 Amazon ML 提供架构：
+ 在上传您的 Amazon S3 数据时提供单独的架构文件。
+ 允许 Amazon ML 推断属性类型并为您创建架构。
在本教程中，我们将要求 Amazon ML 推断架构。
有关创建单独架构文件的信息，请参阅[为 Amazon ML 创建数据架构](creating-a-data-schema-for-amazon-ml.md)。
**允许 Amazon ML 推断架构**
1. 在**架构**页面上，Amazon ML 显示所推断的架构。检查 Amazon ML 为属性推断的数据类型。非常重要的一点是，向属性分配了正确的数据类型，以帮助 Amazon ML 正确提取数据并对属性实现正确的特征处理。
+ 只能有两种可能状态（例如 yes 或 no）的属性应标记为**二进制**。
+ 用于表示类别的数字或字符串属性应标记为 **Categorical**。
+ 对于数值数量的属性，如果其顺序有意义，则应标记为 **Numeric**。
+ 对于字符串属性，如果您希望将其视为空格分隔单词的字符串，则应标记为 **Text**。
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image10.png)
1. 在本教程中，Amazon ML 能正确识别所有属性的数据类型，因此选择**继续**。
接下来，选择目标属性。
请记住，目标是 ML 模型必须学习预测的属性。属性 **y** 指示某个人过去是否订阅了营销活动：1（是）或 0（否）。
**注意**
仅当您使用数据源来训练和评估 ML 模型时，才选择目标属性。
**选择 y 作为目标属性**
1. 在表的右下角中，选择单箭头以继续到表的下一页，其中显示了名为 `y` 的属性。
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image11.png)
1. 在**目标**列中，选择 `y`。
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image12.png)
Amazon ML 确认已选择 **y** 作为目标。
1. 选择**继续**。
1. 在**行 ID** 页面上，对**您的数据是否包含标识符?**，确保已选择默认设置**否**。
1. 选择**审核**，然后选择**继续**。
现在您有一个训练数据源，您已准备好[创建模型](step-3-create-an-ml-model.md)。
# 步骤 3：创建 ML 模型
在创建训练数据源之后，您可以用它来创建 ML 模型、训练模型，然后评估结果。ML 模型是 Amazon ML 在训练期间从数据中发现的模式的集合。您可以使用模型创建预测。
**创建 ML 模型**
1. 由于“入门”向导创建了训练数据源和模型，Amazon Machine Learning (Amazon ML) 会自动使用您刚创建的训练数据源，并将您直接转到**机器学习模型设置**页面。在 **ML 模型设置**页面上，确保 **ML 模型名称**中显示了默认值 **ML model: Banking Data 1**。
使用友好的名称，例如默认值，帮助您轻松识别和管理 ML 模型。
1. 对于**训练和评估设置**，请确保选择**默认**。
![\[Select training and evaluation settings interface with Default option selected.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image19.png)
1. 对于**为此评估命名**，请接受默认值 **Evaluation: ML model: Banking Data 1**。
1. 选择**审核**，检查您的设置，然后选择**完成**。
选择**完成**之后，Amazon ML 将您的模型添加到处理队列中。Amazon ML 创建您的模型时，它会应用默认值并应用以下操作：
+ 将训练数据源拆分为两个部分：一个包含 70% 的数据，另一个包含剩余的 30%
+ 在包含 70% 输入数据的部分上训练 ML 模型
+ 使用剩余的 30% 输入数据评估模型
当您的模型在队列中时，Amazon ML 将状态报告为**待处理**。Amazon ML 创建您的模型时，它会将状态报告为**正在进行**。完成所有操作后，它会将状态报告为**已完成**。等待评估完成，然后再继续操作。
现在，您已准备就绪，可[查看您的模型的性能和设置截断值分数](step-4-review-model-and-set-cutoff.md)。
有关训练和评估模型的更多信息，请参阅[训练 ML 模型](training-ml-models.md)和[评估 ML 模型](evaluating_models.md)。
# 步骤 4：查看 ML 模型的预测性能和设置分数阈值
现在，您已经创建了 ML 模型，Amazon Machine Learning (Amazon ML) 也对其进行了评估，我们来看看该模型是否足以投入使用。在评估期间，Amazon ML 计算了称为曲线下面积 (AUC) 指标的行业标准质量指标，用于表示 ML 模型的性能质量。Amazon ML 还会解析 AUC 指标，让您了解 ML 模型的质量是否能够满足大多数机器学习应用程序的需求。（在[衡量 ML 模型准确度](binary-model-insights.md#measuring-ml-model-accuracy)中了解有关 AUC 的更多信息。） 让我们看一看 AUC 指标，然后调整分数阈值或截断值，以优化您的模型的预测性能。
**查看您的 ML 模型的 AUC 指标**
1. 在 **ML 模型摘要**页面上的 **ML 模型报告**导航窗格中，依次选择**评估**、**评估: ML 模型: 银行模型 1** 和 **摘要**。
1. 在**评估摘要**页面上，查看评估摘要，包括模型的 AUC 性能指标。
![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image24.png)
ML 模型为预测数据源中的每个记录生成数字预测分数，然后应用一个阈值将这些分数转化为二进制标签 0（表示“否”）或 1（表示“是”）。通过更改*分数阈值*，您可以调整 ML 模型如何分配这些标签。现在，设置分数阈值。
**为 ML 模型设置分数阈值**
1. 在**评估摘要**页面上，选择**调节分数阈值**。
![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image25.png)
通过调整分数阈值，您可以优化您的 ML 模型的性能指标。调整此值会更改置信度级别，因为必须先对模型进行预测，然后才能将预测视为阳性。此外，它还会更改您在预测中可以容忍的假阴性和假阳性的数量。
您可以通过增加分数阈值来控制模型视为阳性预测的截断值，直到它仅将具有最大真阳性可能性的预测视为阳性。您也可以减少分数阈值，直到不再有任何假阴性。选择您的截断值，以反映您的业务需求。在本教程中，每个假阳性都会花费活动资金，因此我们需要较高的真阳性与假阳性比率。
1. 假设您希望将目标放在可能订阅产品的前 3% 的客户。滑动垂直选择器，将分数阈值设置为与 **%3 的记录的预测值为“1”**相对应的值。
![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image26.png)
请注意此分数阈值对 ML 模型性能的影响：假阳性错误比率为 0.007。我们假定该假阳性比率可接受。
1. 选择**将分数阈值保存在 0.77**。
每次使用此 ML 模型进行预测时，它将分数超过 0.77 的记录预测为“1”，将其余记录预测为“0”。
要了解有关分数阈值的更多信息，请参阅[二元分类](binary-classification.md)。
现在您已准备就绪，可以[使用您的模型创建预测](step-5-create-predictions.md)。
# 步骤 5：使用 ML 模型生成预测
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 Amazon ML 按需生成的单个观察的预测。实时预测适用于移动应用程序、网站和其他需要以交互方式使用结果的应用程序。
*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**。
![\[Navigation pane with "Try real-time predictions" option circled in red.\]](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**。
![\[Button labeled "Paste a record" highlighted in a web interface form.\]](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。
![\[Table row showing 'age' attribute with Numeric type and Value of 32.0.\]](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。
![\[Prediction results showing binary ML model with predicted label 0 and score 0.033486433.\]](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**。
![\[Amazon Machine Learning dropdown menu with Batch Predictions option highlighted.\]](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**。
![\[Radio button options for locating input data, with the second option selected.\]](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**。
![\[Dialog box asking to grant Amazon Machine Learning write permission on S3 location.\]](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**。
![\[Amazon Machine Learning dropdown menu showing options including Batch Predictions.\]](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。
![\[Batch prediction details including name, ID, status, and associated data sources and models.\]](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`。
![\[AWS S3 console showing a single file in the batch-prediction result folder.\]](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。
![\[Table showing bestAnswer scores with numerical values ranging from 0.00046 to 0.30811.\]](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：
![\[Table showing bestAnswer score of 1 with a corresponding value of 0.822876.\]](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：
![\[Table showing bestAnswer score of 0 and a numerical score of 0.7693356.\]](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。
# 步骤 6：清除
为避免产生额外的 Amazon Simple Storage Service (Amazon S3) 费用，删除存储在 Amazon Simple Storage Service (Amazon S3) 中的数据。其他未使用的 Amazon ML 资源不收取费用，但是我们建议您删除它们以保持工作区清洁。
**删除存储在 Amazon S3 中的输入数据**
1. 打开 Amazon S3 控制台，网址为 [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)。
1. 导航到存储 `banking.csv` 和 `banking-batch.csv` 文件的 Amazon S3 位置。
1. 选择 `banking.csv`、`banking-batch.csv` 和 `.writePermissionCheck.tmp` 文件。
1. 选择**操作**，然后选择**删除**。
1. 当系统提示您确认时，选择 **OK**。
尽管保留 Amazon ML 运行批量预测的记录或者在教程中创建的数据源、模型和评估不会产生任何费用，但是我们建议您删除它们以防止工作区的杂乱。
**删除批量预测**
1. 导航到您存储批量预测的输出的 Amazon S3 位置。
1. 选择 `batch-prediction` 文件夹。
1. 选择**操作**，然后选择**删除**。
1. 当系统提示您确认时，选择 **OK**。
**删除 Amazon ML 资源**
1. 在 Amazon ML 控制面板中，选择以下资源。
+ `Banking Data 1` 数据源
+ `Banking Data 1_[percentBegin=0, percentEnd=70, strategy=sequential]` 数据源
+ `Banking Data 1_[percentBegin=70, percentEnd=100, strategy=sequential]` 数据源
+ `Banking Data 2` 数据源
+ `ML model: Banking Data 1` ML 模型
+ `Evaluation: ML model: Banking Data 1` 评估
1. 选择**操作**，然后选择**删除**。
1. 在对话框中，选择**删除**以删除所有选定资源。
现在您已成功完成了教程。要继续使用控制台来创建数据源、模型和预测，请参阅 [Amazon Machine Learning 开发人员指南](https://docs.aws.amazon.com/machine-learning/latest/dg/)。要了解如何使用 API，请参阅 [Amazon Machine Learning API 引用](https://docs.aws.amazon.com/machine-learning/latest/APIReference/)。