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。
# 使用 Studio Classic 用户界面为表格数据创建回归或分类 Autopilot 实验
**重要**
自 2023 年 11 月 30 日起，作为更新后的亚马逊 [ SageMaker Studio 体验的一部分，Autopilot 的用户界面将迁移到亚马逊 SageMaker ](studio-updated.md) [Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)。 SageMaker Canvas 为分析师和公民数据科学家提供了无需代码的功能，可以完成数据准备、特征工程、算法选择、训练和调整、推理等任务。用户可以利用内置的可视化和假设分析功能来探索数据和不同场景，并通过自动预测功能轻松生成模型。Canvas 支持各种使用场景，包括计算机视觉、需求预测、智能搜索和生成式人工智能。
[Amazon SageMaker Studio Classic](studio.md)（之前的 [Studio](studio-updated.md) 使用体验）的用户可以继续使用 Studio Classic 中的自动驾驶用户界面。有编码经验的用户可以继续使用任何支持的 SDK 中的所有 [API 参考](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)进行技术实施。
如果您之前一直在 Studio Classic 中使用 Autopilot 并想迁移到 SageMaker Canvas，则可能需要向您的用户个人资料或 IAM 角色授予其他权限，这样您才能创建和使用 SageMaker Canvas 应用程序。有关更多信息，请参阅 [（可选）从 Studio 经典版中的自动驾驶仪迁移到 SageMaker Canvas](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot)。
[在迁移到 Amazon Canvas 之前，本指南中所有与 UI 相关的说明都与 Autopilot 的独立功能有关。 SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)按照这些说明操作的用户应使用 [Studio Classic](studio.md)。
您可以使用 Amazon SageMaker Studio Classic 用户界面针对表格数据的分类或回归问题创建自动驾驶实验。用户界面可帮助您指定实验名称，提供输入和输出数据的位置，并指定要预测的目标数据。您还可以选择指定要解决的问题类型（回归、分类、多分类器）、选择建模策略（*堆叠集合*或*超参数优化*）、选择 Autopilot 任务用于训练数据的算法列表等。
UI 包含描述、切换开关、下拉菜单、单选按钮等，可引导您浏览如何创建候选模型。实验运行后，您可以比较试验，并深入研究每个模型的预处理步骤、算法和超参数范围的详细信息。您还可以选择下载它们的[解释功能](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html)和[性能](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html)报告。使用提供的[笔记本](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html )查看自动数据探索的结果或候选模型定义。
或者，您也可以使用 [使用 AutoML API 为表格数据创建回归或分类作业](autopilot-automate-model-development-create-experiment.md) 中的 Autopilot AutoML API。
# 配置 Autopilot 实验的默认参数（面向管理员）
当您使用 Studio Classic 用户界面创建 SageMaker 自动驾驶实验时，Autopilot 支持设置默认值以简化 Amazon Autopilot 的配置。管理员可以使用 Studio Classic [生命周期配置](studio-lcc.md) (LCC)，在配置文件中设置基础设施、联网和安全设置的值，并预先填充 `AutoML` 作业的[高级设置](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings)。
这样，他们就可以完全控制网络连接以及与 Amazon SageMaker Studio Classic 关联的资源的访问权限，包括 SageMaker AI 实例、数据源、输出数据和其他相关服务。具体而言，管理员可以针对 Studio Classic 域或个人用户配置文件，配置 Amazon VPC、子网和安全组等所需的网络架构。在使用 Studio Classic 用户界面创建 Autopilot 实验时，数据科学家就可以专注于数据科学的特定参数。此外，管理员可以通过设置默认加密密钥，来管理运行 Autopilot 实验的实例上的数据加密。
**注意**
此功能目前在选择亚太地区（香港）和中东（巴林）区域时不可用。
在以下各部分中，您可以找到在使用 Studio Classic 用户界面创建 Autopilot 实验时，支持设置默认值的完整参数列表，并学习如何设置这些默认值。
**Topics**
+ [支持的默认参数列表](#autopilot-list-default-parameters-create-experiment)
+ [设置默认 Autopilot 实验参数](#autopilot-set-default-parameters-create-experiment-howto)
## 支持的默认参数列表
以下参数支持通过配置文件设置默认值，以便使用 Studio Classic 用户界面创建 Autopilot 实验。设置完成后，在 Studio Classic 用户界面中，这些值会自动填充 Autopilot 的**创建实验**选项卡中的相应字段。有关每个字段的完整描述，请参阅[高级设置（可选）](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings)。
+ **安全：**Amazon VPC、子网和安全组。
+ **访问权限：** AWS IAM 角色 ARNs。
+ **加密：** AWS KMS 密钥 IDs。
+ **标签：**用于标记和组织 SageMaker AI 资源的键值对。
## 设置默认 Autopilot 实验参数
管理员可以在配置文件中设置默认值，然后手动将该文件放在特定用户的 Studio Classic 环境中的建议位置，也可以将文件传递给生命周期配置 (LCC) 脚本，以自动针对给定域或用户配置文件自定义 Studio Classic 环境。
+ 要设置配置文件，请先填写其默认参数。
要配置 [支持的默认参数列表](#autopilot-list-default-parameters-create-experiment) 中列出的任意或所有默认值，管理员可以创建名为 `config.yaml` 的配置文件，其结构应与此[示例配置文件](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)相符。以下代码片段显示了一个包含所有支持的 `AutoML` 参数的示例配置文件。有关此文件格式的更多信息，请参阅[完整架构](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/config/config_schema.py)。
```
SchemaVersion: '1.0'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
```
+ 然后，通过[手动将文件复制到](#autopilot-intelligent-defaults-manual-setup)其推荐路径或使用[生命周期配置](#autopilot-intelligent-defaults-lcc-setup) (LCC)，将该文件放在建议的位置。
在用户的 Studio Classic 环境中，至少以下位置之一中必须有配置文件。默认情况下， SageMaker AI 在两个位置搜索配置文件：
+ 首先在 `/etc/xdg/sagemaker/config.yaml` 中。我们将此文件称为*管理员配置文件*。
+ 然后在 `/root/.config/sagemaker/config.yaml` 中。我们将此文件称为*用户配置文件*。
使用*管理员*配置文件，管理员可以定义一组默认值。或者，他们可以使用*用户*配置文件来覆盖在*管理员*配置文件中设置的值，或者用于设置其他默认参数值。
以下代码片段显示了一个脚本示例，该脚本将默认参数配置文件写入用户 Studio Classic 环境中的*管理员*位置。您可以将 `/etc/xdg/sagemaker` 替换为 `/root/.config/sagemaker`，从而将文件写入*用户*位置。
```
## Sample script with AutoML intelligent defaults
#!/bin/bash
sudo mkdir -p /etc/xdg/sagemaker
echo "SchemaVersion: '1.0'
CustomParameters:
AnyStringKey: 'AnyStringValue'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
" | sudo tee /etc/xdg/sagemaker/config.yaml
```
+ **手动复制文件**：要手动复制配置文件，请从 Studio Classic 终端运行上一步中创建的[脚本](#autopilot-intelligent-defaults-manual-setup)。在本例中，执行脚本的用户配置文件可以使用仅适用于自身的默认值，创建 Autopilot 实验。
+ **创建 A SageMaker I 生命周期配置** — 或者，您可以使用[生命周期配置](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) 自动自定义 Studio Classic 环境。LCC 是由 Amazon SageMaker Studio Classic 生命周期事件（例如启动 Studio Classic 应用程序）触发的 s 此自定义包括安装自定义软件包、配置笔记本扩展、预先加载数据集、设置源代码存储库或者（在本例中）预先填充默认参数。管理员可以将 LCC 附加到 Studio Classic 域，以自动配置该域中每个用户配置文件的默认值。
以下各部分详细介绍了如何创建生命周期配置，以便用户在启动 Studio Classic 时可以自动加载 Autopilot 默认参数。您可以选择使用 SageMaker AI 控制台或创建 LCC。 AWS CLI
------
#### [ Create a LCC from the SageMaker AI Console ]
使用以下步骤创建包含默认参数的 LCC，将 LCC 附加到域或用户配置文件，然后使用 AI 控制台启动预填充了 LCC 设置的默认参数的 Studio Classic 应用程序。 SageMaker
+ **使用 A SageMaker I 控制台创建运行包含默认值的[脚本](#autopilot-intelligent-defaults-script)的生命周期配置**
+ 打开 SageMaker AI 控制台，网址为[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)。
+ 在左侧导航至**管理员配置**，然后导航至**生命周期配置**。
+ 在**生命周期配置**页面，导航至 Studio Classic 选项卡，然后选择**创建配置**。
+ 对于**名称**，请键入使用字母数字字符和 -（但不能含空格）的名称。名称最多可包含 63 个字符。
+ 将您的[脚本](#autopilot-intelligent-defaults-script)粘贴到**脚本**部分。
+ 选择**创建配置**，创建生命周期配置。这样就创建了一个 `Kernel gateway app` 类型的 LCC。
+ **要将生命周期配置附加到 Studio Classic 域、空间或用户配置文件**
按照[将生命周期配置附加到 Studio Classic 域或用户配置文件](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-console.html#studio-lcc-create-console-step2)中的步骤，将 LCC 附加到 Studio Classic 域或特定用户配置文件。
+ **要使用生命周期配置启动 Studio Classic 应用程序**
将 LCC 附加到域或用户配置文件后，受影响的用户就可以从 Studio 中的 Studio Classic 登录页面启动 Studio Classic 应用程序，自动获取 LCC 设置的默认值。这会在创建 Autopilot 实验时自动填充 Studio Classic 用户界面。
------
#### [ Create a LCC from the AWS CLI ]
使用 AWS CLI，通过以下代码片段启动运行您[脚本](#autopilot-intelligent-defaults-manual-setup)的 Studio Classic 应用程序。请注意，`lifecycle_config.sh` 是本示例中向脚本提供的名称。
开始使用之前：
+ AWS CLI 通过完成[从中创建生命周期配置中所述的先决条件，确保您已进行更新和配置 AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html)。
+ 安装 [OpenSSL](https://www.openssl.org/source/) 文档。该 AWS CLI 命令使用开源库 *OpenSSL* 将您的脚本编码为 Base64 格式。此要求可防止因空格和换行编码而出现错误。
现在，您可以按照以下三个步骤操作：
+ **创建新生命周期配置，引用配置脚本 `lifecycle_config.sh`**
```
LCC_CONTENT=`openssl base64 -A -in lifecycle_config.sh`
## Create a new lifecycle config
aws sagemaker create-studio-lifecycle-config --region region \
--studio-lifecycle-config-name lcc-name \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type default
```
请记录为新创建的生命周期配置返回的 ARN。将生命周期配置附加到应用程序时需要此 ARN。
+ **将生命周期配置附加到您的 `JupyterServerApp`**
下面的示例说明如何创建一个附加了生命周期配置的新用户配置文件。要更新现有用户配置文件，请使用 AWS CLI [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)命令。要创建或更新域，请参阅 [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) 和 [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)。将上一步中的生命周期配置 ARN 添加到 `JupyterServerAppSettings` 应用程序类型的设置中。您可以使用生命周期配置列表，一次添加多个生命周期配置。
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
["lifecycle-configuration-arn"]
}
}'
```
将 LCC 附加到域或用户个人资料后，受影响的用户可以按照关闭并更新 [Amazon Studio Classic 中的步骤关闭并更新其现有的 Studio Class SageMaker i](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-tasks-update-studio.html) c 应用程序，或者从 AWS 控制台启动新的 Studio Classic 应用程序以自动获取 LCC 设置的默认设置。这会在创建 Autopilot 实验时自动填充 Studio Classic 用户界面。或者，他们也可以使用以下方式启动新的 Studio Classic 应用程序。 AWS CLI
+ **使用生命周期配置启动您的 Studio Classic 应用程序 AWS CLI**
```
# Create a Jupyter Server application
aws sagemaker create-app --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
有关使用 AWS CLI创建生命周期配置的更多信息，请参阅[从 AWS CLI创建生命周期配置](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html)。
------
**要使用 Studio Classic 用户界面创建 Autopilot 实验**
1. 登录 [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)，从左侧导航窗格中选择 **Studio**，选择您的域和用户个人资料，然后选择 Ope **n Studio**。
1. 在 Studio 中，选择左上角导航窗格中的 Studio Classic 图标。这将打开 Studio Classic 应用程序。
1. 从您选择的空间运行或打开 Studio Classic 应用程序，或**创建 Studio Classic 空间**。在**主页**选项卡上，选择 **AutoML** 卡片。这将打开新的 **AutoML** 选项卡。
1. 选择**创建 AutoML 实验**。这将打开新的**创建实验**选项卡。
1. 在**实验和数据详细信息**部分中，输入以下信息：
1. **实验名称**-当前账户必须是唯一的， AWS 区域 并且最多包含 63 个字母数字字符。可以包括连字符 (-)，但不能包括空格。
1. **输入数据** – 提供存储输入数据的 Amazon Simple Storage Service (Amazon S3) 存储桶的位置。此 S3 存储桶必须位于您当前的 AWS 区域中。网址必须采用 Amazon A SageMaker I 具有写入权限的`s3://`格式。文件必须采用 CSV 或 Parquet 格式，并且至少包含 500 行。选择**浏览**可滚动浏览可用路径，选择**预览**可查看输入数据的样本。
1. **您的 S3 输入是清单文件吗？** – 清单文件包括输入数据的元数据。元数据可指定数据在 Amazon S3 中的位置。它还指定了如何格式化数据以及训练模型时要使用数据集中的哪些属性。在 `Pipe` 模式下流式传输已标注数据时，您可以使用清单文件作为预处理的替代方法。
1. **自动拆分数据？** – Autopilot 可以将您的数据按照 80%-20% 的比例拆分，用于训练数据和验证数据。如果您偏好自定义拆分，则可以选择**指定拆分比例**。要为验证使用自定义数据集，请选择**提供验证集**。
1. **输出数据位置（S3 存储桶）**– 存储输出数据的 S3 存储桶位置的名称。此存储桶的 URL 必须采用 Amazon A SageMaker I 具有写入权限的 Amazon S3 格式。S3 存储桶必须在当前 AWS 区域中。Autopilot 还可以在与输入数据相同的位置为您创建此内容。
1. 选择**下一步：目标和特征**。**目标和特征**选项卡打开。
1. 在**目标和特征**部分中：
+ 选择要设置为模型预测目标的列。
+ 或者，您可以在**样本权重**部分中传递样本权重列的名称，以请求在训练和评估期间对数据集行进行加权。有关可用目标指标的更多信息，请参阅 [Autopilot 加权指标](autopilot-metrics-validation.md#autopilot-weighted-metrics)。
**注意**
只有[组合模式](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode)支持样本加权。
+ 您还可以选择要训练的特征并更改其数据类型。以下数据类型可用：`Text`、`Numerical`、`Categorical`、`Datetime`、`Sequence` 和 `Auto`。所有特征均默认选定。
1. 选择**下一步：训练方法**。**训练方法**选项卡打开。
1. 在**训练方法**部分中，选择您的训练选项：**组合**、**超参数优化 (HPO)**，也可以选择**自动**以便让 Autopilot 根据数据集大小自动选择训练方法。每种训练模式都会在数据集中运行一组预定义的算法来训练候选模型。默认情况下，Autopilot 会预先选择给定训练模式的所有可用算法。您可以使用所有算法进行 Autopilot 训练实验，也可以自行选择算法子集。
有关训练模式和可用算法的更多信息，请参阅[训练模式和算法](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html)页面中的 **Autopilot 训练模式**部分。
1. 选择**下一步：部署和高级设置**，打开**部署和高级设置**选项卡。设置中包括自动显示端点名称、机器学习问题类型以及用于运行实验的其他选项。
1. **部署设置** – Autopilot 可以为您自动创建端点并部署模型。
要自动部署到自动生成的端点，或者要提供端点名称以进行自定义部署，请将**自动部署？**下的切换开关设置为**是**。如果您要从 Amazon Data Wrangler 导入 SageMaker 数据，则无论是否使用 Data Wrangler 的转换，您都有其他选项可以自动部署最佳模型。
**注意**
如果您的 Data Wrangler 流程包含多行操作（例如 `groupby`、`join` 或 `concatenate`），则无法在使用这些转换时进行自动部署。有关更多信息，请参阅[根据您的数据流自动训练模型](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html)。
1. **高级设置（可选）** – Autopilot 提供了额外的控件来手动设置实验参数，例如定义问题类型、Autopilot 作业和试验时间限制、安全以及加密设置。
**注意**
Autopilot 支持设置默认值，以简化使用 Studio Classic 用户界面进行 Autopilot 实验的配置。管理员可以使用 Studio Classic [生命周期配置](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC)，在配置文件中设置基础设施、联网和安全设置的值，并预先填充 `AutoML` 作业的*高级设置*。
要了解管理员如何自动对 Autopilot 实验进行自定义，请参阅[配置 Autopilot 实验的默认参数（面向管理员）](autopilot-set-default-parameters-create-experiment.md)。
1. **机器学习问题类型** – Autopilot 可以从您的数据集中自动推断有监督学习问题的类型。如果您偏好手动选择，则可以使用**选择机器学习问题类型**下拉菜单。请注意，该项默认为**自动**。在某些情况下， SageMaker AI 无法准确推断。出现这种情况时，您必须为作业提供值以使其成功。具体而言，您可以从以下类型中选择：
+ **二元分类** – 二元分类根据输入数据的属性，将输入数据分配到两个预定义的互斥类别之一，例如基于诊断测试结果的医学诊断，确定某人是否患有疾病。
+ **回归** – 回归在输入变量（也称为自变量或特征）与目标变量（也称为因变量）之间建立关系。这种关系是通过将输入变量映射到连续输出的数学函数或模型来捕获的。它通常适用的任务类型包括根据房间面积和浴室数量等特征预测房价，预测股票市场趋势或估算销售数字等。
+ **多元分类** – 多元分类根据输入数据的属性，将输入数据分配到几个类别之一，例如按照政治、金融或哲学等类别，预测与文本文档最相关的话题。
1. **运行时间** – 您可以定义最大时间限制。达到时间限制后，超过时间限制的试验和作业将自动停止。
1. **访问权限** — 您可以选择由 Amazon SageMaker Studio Classic 担任的角色来代表您获得临时访问权限 AWS 服务 （特别是 A SageMaker I 和 Amazon S3）。如果没有明确定义角色，Studio Classic 会自动使用附加到您的用户配置文件的默认 SageMaker AI 执行角色。
1. **加密**：为了增强静态数据的安全性并保护其免受未经授权的访问，您可以指定加密密钥，对您的 Amazon S3 存储桶和连接到 Studio Classic 域的 Amazon Elastic Block Store (Amazon EBS) 卷中的数据进行加密。
1. **安全** — 您可以选择运行 SageMaker 人工智能任务的虚拟私有云 (Amazon VPC)。确保 Amazon VPC 可以访问您的输入和输出 Amazon S3 存储桶。
1. **项目** — 指定要与此自动驾驶实验和模型输出关联的 A SageMaker I 项目的名称。当您指定项目时，Autopilot 会将该项目标记为实验。这可以让您知道哪些模型输出与此项目相关联。
1. **标签** – 标签是键/值对数组。使用标签对您的资源进行分类 AWS 服务，例如其用途、所有者或环境。
1. 选择**下一步：查看并创建**，以便在创建 Autopilot 实验之前查看其摘要。
1. 选择**创建实验**。创建实验会启动 A SageMaker I 中的自动驾驶作业。Autopilot 提供实验状态、笔记本中数据探索过程和候选模型的相关信息、生成的模型及其报告的列表以及用于创建这些模型的作业配置文件。
有关 Autopilot 作业生成的笔记本的信息，请参阅[为管理 AutoML 任务生成的 Autopilot 笔记本](autopilot-automate-model-development-notebook-output.md)。有关每个候选模型及其报告的详细信息，请参阅 [查看模型详细信息](autopilot-models-details.md)和 [查看 Autopilot 模型性能报告](autopilot-model-insights.md)。
**注意**
为避免产生不必要的费用：如果您部署的模型不再需要，请删除该部署期间创建的端点和资源。有关按地区划分的实例定价信息，请访问 [Amazon Pric SageMaker ing](https://aws.amazon.com/sagemaker/pricing/)。