我們不再更新 Amazon Machine Learning 服務或接受新使用者。本文件可供現有使用者使用，但我們不再更新。如需詳細資訊，請參閱[什麼是 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)。

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

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

建立資料來源之後，您可以開始建立 ML 模型。如果您使用 Amazon Machine Learning 主控台建立模型，您可以選擇使用預設設定，或套用自訂選項來自訂模型。

自訂選項包括：
+ 評估設定：您可以選擇讓 Amazon ML 保留部分輸入資料，以評估 ML 模型的預測品質。如需評估的資訊，請參閱[評估 ML 模型](https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html)。
+ 配方：配方會告知 Amazon ML 哪些屬性和屬性轉換可用於模型訓練。如需 Amazon ML 配方的資訊，請參閱[使用資料配方進行特徵轉換](https://docs.aws.amazon.com/machine-learning/latest/dg/feature-transformations-with-data-recipes.html)。
+ 定型參數：這些參數可控制定型程序與所產生之 ML 模型的特定屬性。如需定型參數的詳細資訊，請參閱[定型參數](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html)。

若要選取或指定這些設定的值，請在使用 Create ML Model (建立 ML 模型) 精靈時選擇 **Custom (自訂)** 選項。如果您希望 Amazon ML 套用預設設定，請選擇**預設值**。

當您建立 ML 模型時，Amazon ML 會根據目標屬性的屬性類型，選取將使用的學習演算法類型。(目標屬性是包含「正確」答案的屬性)。如果您的目標屬性是二進位，Amazon ML 會建立使用邏輯迴歸演算法的二進位分類模型。如果您的目標屬性是分類屬性，Amazon ML 會建立多類別模型，該模型使用多項式邏輯回歸演算法。如果您的目標屬性是數值，Amazon ML 會建立使用線性迴歸演算法的迴歸模型。

**Topics**
+ [先決條件](#model-prereqs)
+ [使用預設選項建立 ML 模型](#creating-ml-model-using-default-settings)
+ [使用自訂選項建立 ML 模型](#creating-ml-model-using-custom-settings)

## 先決條件
<a name="model-prereqs"></a>

 使用 Amazon ML 主控台建立 ML 模型之前，您需要建立兩個資料來源，一個用於訓練模型，另一個用於評估模型。如果您尚未建立兩個資料來源，請參閱本教學課程中的[步驟 2：建立訓練資料來源](step-2-create-a-datasource.md)。

## 使用預設選項建立 ML 模型
<a name="creating-ml-model-using-default-settings"></a>

如果您希望 Amazon ML 執行下列動作，請選擇**預設**選項：
+ 分割輸入資料，將前 70% 用於定型，並將剩餘的 30% 用於評估
+ 以定型資料來源上所收集的統計資料為基礎的建議配方，其為輸入資料來源的 70%
+ 選擇預設定型參數

**選擇預設選項**

1. 在 Amazon ML 主控台中，選擇 **Amazon Machine Learning**，然後選擇 **ML 模型**。

1. 在 **ML models (ML 模型)** 摘要頁面上，選擇 **Create a new ML model (建立新的 ML 模型)**。

1. 在 **Input data (輸入資料)** 頁面上，確定已選取 **I already created a datasource pointing to my S3 data (我已建立指向我的 S3 資料的資料來源)**。

1. 在資料表中，選擇您的資料來源，然後選擇 **Continue (繼續)**。

1. 在 **ML model settings (ML 模型設定)** 頁面上，於 **ML model name (ML 模型名稱)** 輸入您的 ML 模型的名稱。

1. 針對 **Training and evaluation settings (定型與評估設定)**，確定已選取 **Default (預設)**。

1. 針對**此評估的名稱**，輸入評估的名稱，然後選擇**檢閱**。Amazon ML 會略過精靈的其餘部分，並帶您前往**檢閱**頁面。

1. 檢閱您的資料，刪除您從資料來源複製但不想要套用至模型與評估的任何標籤，然後選擇 **Finish (完成)**。

## 使用自訂選項建立 ML 模型
<a name="creating-ml-model-using-custom-settings"></a>

自訂 ML 模型可讓您：
+ 提供您自己的配方。如需如何提供您自己的配方的資訊，請參閱[配方格式參考](https://docs.aws.amazon.com/machine-learning/latest/dg/recipe-format-reference.html)。
+ 選擇定型參數。如需定型參數的詳細資訊，請參閱[定型參數](https://docs.aws.amazon.com/machine-learning/latest/dg/training-parameters.html)。
+ 選擇預設 70/30 比例以外的定型/評估分割比例，或提供另一個已準備好評估的資料來源。如需分割策略的資訊，請參閱[分割您的資料](splitting-types.md)。

您也可以針對任何這些設定選擇預設值。

如果您已使用預設選項建立模型，並想要改善模型的預測效能，請使用 **Custom (自訂)** 選項建立具有一些自訂設定的新模型。例如，您可以將更多特徵轉換新增至配方，以增加定型參數中的傳遞數目。

**使用自訂選項建立模型**

1. 在 Amazon ML 主控台中，選擇 **Amazon Machine Learning**，然後選擇 **ML 模型**。

1. 在 **ML models (ML 模型)** 摘要頁面上，選擇 **Create a new ML model (建立新的 ML 模型)**。

1. 如果您已建立資料來源，請在 **Input data (輸入資料)** 頁面上，選擇 **I already created a datasource pointing to my S3 data (我已建立指向我的 S3 資料的資料來源)**。在資料表中，選擇您的資料來源，然後選擇 **Continue (繼續)**。

   如果您需要建立資料來源，請選擇 **My data is in S3, and I need to create a datasource (我的資料在 S3 中，而且我需要建立資料來源)**，然後選擇 **Continue (繼續)**。系統會將您重新導向至 **Create a Datasource (建立資料來源)** 精靈。指定您的資料是在 **S3** 或 **Redshift** 中，然後選擇 **Verify (驗證)**。完成建立資料來源的程序。

   建立資料來源之後，系統會將您重新導向至 **Create ML Model (建立 ML 模型)** 精靈的下一個步驟。

1. 在 **ML model settings (ML 模型設定)** 頁面上，於 **ML model name (ML 模型名稱)** 輸入您的 ML 模型的名稱。

1. 在 **Select training and evaluation settings (選取定型與評估設定)** 中選擇 **Custom (自訂)**，然後選擇 **Continue (繼續)**。

1. 在 **Recipe (配方)** 頁面上，您可以[customize a recipe](recipe-format-reference.md)。如果您不想自訂配方，Amazon ML 會為您建議配方。選擇**繼續**。

1. 在 **Advanced settings (進階設定)** 頁面上，指定 **Maximum ML model Size (最大 ML 模型大小)**、**Maximum number of data passes (最大資料傳遞數目)**、**Shuffle type for training data (培訓資料的隨機播放類型)**、**Regularization type (正規化類型)** 與 **Regularization amount (正規化數量)**。如果您未指定這些參數，Amazon ML 會使用預設訓練參數。

   如需這些參數與其預設值的詳細資訊，請參閱[培訓參數](training-parameters.md)。

   選擇**繼續**。

1. 在 **Evaluation (評估)** 頁面上，指定您是否要立即評估 ML 模型。如果您不想要立即評估 ML 模型，請選擇 **Review (檢閱)**。

   如果您想要立即評估 ML 模型：

   1. 針對 **Name this evaluation (命名此評估)** 輸入評估的名稱。

   1. 對於**選取評估資料**，選擇您是否希望 Amazon ML 保留部分輸入資料以供評估，如果要保留，則選擇如何分割資料來源，或選擇提供不同的資料來源以供評估。

   1. 選擇**檢閱**。

1. 在 **Review (檢閱)** 頁面上，編輯您的選擇，刪除您從資料來源複製但不想要套用至模型與評估的任何標籤，然後選擇 **Finish (完成)**。

建立模型之後，請參閱[步驟 4：檢閱 ML 模型的預測效能並設定分數閾值](step-4-review-model-and-set-cutoff.md)。