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。
# 產生和解譯預測
Amazon ML 提供兩種產生預測的機制：非同步 （批次型） 和同步 one-at-a-time)。
若您有多個觀察且希望同時獲得所有觀察的預測結果，請使用非同步預測，或稱*「批次預測」***。**程序使用資料來源做為輸入，並將預測輸出到存放在您所選 S3 儲存貯體的 .csv 檔案中。您需要等待批次預測程序完成後，才能存取預測結果。Amazon ML 可在批次檔案中處理的資料來源大小上限為 1 TB （約 1 億筆記錄）。如果您的資料來源大於 1 TB，您的任務將失敗，Amazon ML 將傳回錯誤碼。若要避免發生這種狀況，請將您的資料分為多個批次。如果您的記錄通常較長，在處理 1 億筆記錄之前，您就會到達 1 TB 的限制。在這種情況下，建議您聯絡 [AWS Support](https://aws.amazon.com/contact-us/) 以提高您批次預測的任務大小。
若您希望以低延遲獲得預測結果，請使用同步預測，或稱*「即時預測」***。**即時預測 API 接受序列化為 JSON 字串的一個輸入觀察，並在 API 回應中同步傳回預測和相關中繼資料。您可以同時叫用 API 多次以取得平行同步預測結果。如需即時預測 API 輸送量限制的詳細資訊，請參閱《[Amazon ML API 參考](https://docs.aws.amazon.com/machine-learning/latest/APIReference/)》中的即時預測限制。
**Topics**
+ [
# 建立批次預測
](creating-batch-prediction-objects.md)
+ [
# 檢閱批次預測指標
](working-with-batch-predictions.md)
+ [
# 讀取批次預測輸出檔案
](reading-the-batchprediction-output-files.md)
+ [
# 要求即時預測
](requesting-real-time-predictions.md)
# 建立批次預測
若要建立批次預測，您可以使用 Amazon Machine Learning (Amazon ML) 主控台或 API 建立`BatchPrediction`物件。`BatchPrediction` 物件描述了 Amazon ML 使用您的 ML 模型和一組輸入觀察所產生的一組預測。當您建立`BatchPrediction`物件時，Amazon ML 會啟動非同步工作流程來計算預測。
對於您用來取得批次預測的資料來源以及您用於訓練 ML 模型以用於查詢預測的資料來源，都必須使用相同的結構描述。唯一的例外是，批次預測的資料來源不需要包含目標屬性，因為 Amazon ML 會預測目標。如果您提供目標屬性，Amazon ML 會忽略其值。
## 建立批次預測 (主控台)
若要使用 Amazon ML 主控台建立批次預測，請使用建立批次預測精靈。
**建立批次預測 (主控台)**
1. 登入 AWS 管理主控台 並開啟 Amazon Machine Learning 主控台，網址為 [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/)：//。
1. 在 Amazon ML 儀表板的**物件**下，選擇**建立新...**，然後選擇**批次預測**。
1. 選擇您要用來建立批次預測的 Amazon ML 模型。
1. 若要確認您要使用此模型，請選擇 **Continue (繼續)**。
1. 選擇您要為其建立預測的資料來源。資料來源必須擁有跟模型相同的結構描述，但不需要包含目標屬性。
1. 選擇**繼續**。
1. 對於 **S3 destination (S3 目的地)**，輸入 S3 儲存貯體的名稱。
1. 選擇**檢閱**。
1. 檢閱您的設定，然後選擇 **Create batch prediction (建立批次預測)**。
## 建立批次預測 (API)
若要使用 Amazon ML API 建立`BatchPrediction`物件，您必須提供下列參數：
**資料來源 ID**
指向您想要預測之觀察的資料來源 ID。例如，如果您想要 `s3://examplebucket/input.csv` 檔案中資料的預測結果，您可以建立一個資料來源物件，指向該資料檔案，然後使用此參數傳遞該資料來源的 ID。
**BatchPrediction ID**
要指派給批次預測的 ID。
**ML 模型 ID**
Amazon ML 應查詢預測的 ML 模型 ID。
**輸出 Uri**
要存放預測輸出的 S3 儲存貯體 URI。Amazon ML 必須具有將資料寫入此儲存貯體的許可。
`OutputUri` 參數必須參考結尾為正斜線 ('/') 字元的 S3 路徑，如下所示：
s3://examplebucket/examplepath/
如需設定 S3 許可的詳細資訊，請參閱[授予 Amazon ML 將預測輸出至 Amazon S3 的許可](granting-amazon-ml-permissions-to-output-predictions-to-amazon-s3.md)。
**(選用) BatchPrediction 名稱**
(選用) 批次預測的人類可讀取名稱。
# 檢閱批次預測指標
Amazon Machine Learning (Amazon ML) 建立批次預測後，會提供兩個指標： `Records seen`和 `Records failed to process`。 `Records seen`會告訴您 Amazon ML 在執行批次預測時查看了多少筆記錄。 `Records failed to process`會告訴您 Amazon ML 無法處理多少筆記錄。
若要允許 Amazon ML 處理失敗的記錄，請檢查用於建立資料來源的資料中的記錄格式，並確認所有必要屬性都存在，且所有資料皆正確。修正您的資料後，您可以重新建立您的批次預測，或以失敗的記錄建立新的資料來源，然後使用新的資料來源建立新的批次預測。
## 檢閱批次預測指標 (主控台)
若要查看 Amazon ML 主控台中的指標，請開啟**批次預測摘要**頁面，並查看**已處理的資訊**區段。
## 檢閱批次預測指標和詳細資訊 (API)
您可以使用 Amazon ML APIs 擷取`BatchPrediction`物件的詳細資訊，包括記錄指標。Amazon ML 提供下列批次預測 API 呼叫：
+ `CreateBatchPrediction`
+ `UpdateBatchPrediction`
+ `DeleteBatchPrediction`
+ `GetBatchPrediction`
+ `DescribeBatchPredictions`
如需詳細資訊，請參閱 [Amazon ML API 參考](https://docs.aws.amazon.com/machine-learning/latest/APIReference/)。
# 讀取批次預測輸出檔案
執行以下步驟，擷取批次預測輸出檔案：
1. 尋找批次預測資訊清單檔案。
1. 讀取資訊清單檔案，判斷輸出檔案的位置。
1. 擷取包含預測的輸出檔案。
1. 解譯輸出檔案的內容。目錄會根據用來產生預測的 ML 模型類型而有所不同。
以下章節會更詳細地說明操作步驟。
## 尋找批次預測資訊清單檔案
批次預測資訊清單檔案中包含的資訊，可將輸入檔案對應到預測輸出檔案。
若要尋找資訊清單檔案，請從建立批次預測物件時所指定的輸出位置開始。您可以使用 [Amazon ML API](https://docs.aws.amazon.com/machine-learning/latest/APIReference/) 或 https：//[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) 查詢已完成的批次預測物件，以擷取此檔案的 S3 位置。
資訊清單檔案所在的輸出位置路徑，包含附加到輸出位置的靜態字串 `/batch-prediction/`，和資訊清單檔案的名稱，也就是批次預測的 ID，再加上 `.manifest`。
例如，如果您建立 ID 為`bp-example` 的批次預測物件，並指定了 S3 位置 `s3://examplebucket/output/` 做為輸出位置，將會在以下位置找到資訊清單檔案：
`s3://examplebucket/output/batch-prediction/bp-example.manifest`
## 讀取資訊清單檔案
.manifest 檔案的內容會編碼為 JSON 對應，其中的金鑰是一組 S3 輸入資料檔案名稱的字串，而值是一組相關聯批次預測結果檔案的字串。每對輸入/輸出檔案都有一行映射內容。繼續舉例而言，如果 `BatchPrediction` 物件的建立輸入包含名為 data.csv 的單一檔案，而此檔案位於 `s3://examplebucket/input/`，您可能就會看到與下文類似的映射字串：
```
{"s3://examplebucket/input/data.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data.csv.gz"}
```
如果 `BatchPrediction` 物件的建立輸入包含名為 data1.csv、data2.csv 及 data3.csv 三個檔案，而這些檔案全都儲存在 S3 位置 `s3://examplebucket/input/`，您可能就會看到與下文類似的映射字串：
```
{"s3://examplebucket/input/data1.csv":"s3://examplebucket/output/batch-prediction/result/bp-example-data1.csv.gz",
"s3://examplebucket/input/data2.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data2.csv.gz",
"s3://examplebucket/input/data3.csv":"
s3://examplebucket/output/batch-prediction/result/bp-example-data3.csv.gz"}
```
## 擷取批次預測輸出檔案
您可以從資訊清單映射下載各個批次預測檔案，然後直接在本機處理。檔案格式是使用 gzip 演算法壓縮的 CSV。在該檔案內，對應輸入檔案中的每個輸入觀察皆各有一行。
若要讓預測與批次預測的輸入檔案合併在一起，您可以對兩個檔案執行簡單的依記錄合併動作。批次預測的輸出檔案一律包含與預測輸入檔案相同的記錄數量，而且順序相同。如果輸入觀察處理失敗，就不會產生任何預測，那麼批次預測的輸出檔案將會在對應位置上出現一行空白。
## 解譯二元分類 ML 模型的批次預測檔案內容
二元分類模型的批次預測檔案欄名為 **bestAnswer (最佳答案)** 和 **score (分數)**。
**bestAnswer (最佳答案)** 欄包含的預測標籤 (「1」或「0」) 是評估了預測分數相較於分界分數而得出的結果。如需分界分數的詳細資訊，請參閱[調整分界分數](https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html)。您可以使用 Amazon ML API 或 Amazon ML 主控台上的模型評估功能，設定 ML 模型的分界分數。如果您未設定截止分數，Amazon ML 會使用預設值 0.5。
**分數**欄包含 ML 模型針對此預測指派的原始預測分數。Amazon ML 使用邏輯回歸模型，因此此分數會嘗試將對應至 true ("1") 值的觀察機率建立模型。請注意，**score (分數)** 是以科學記號標記法回報，因而下例第一列中的值 8.7642E-3 也就等於 0.0087642。
例如，若 ML 模型的分界分數是 0.75，二元分類模型的批次預測輸出檔案內容可能如下所示：
```
bestAnswer,score
0,8.7642E-3
1,7.899012E-1
0,6.323061E-3
0,2.143189E-2
1,8.944209E-1
```
輸入檔案中第二個和第五個觀察皆有高於 0.75 的預測分數，因此這些觀察的 bestAnswer 欄會出現「1」的值，而其他觀察則出現「0」的值。
## 解譯二進位多級分類 ML 模型的批次預測檔案內容
在多等級模型的批次預測檔案中，將會包含一個用於訓練資料中各個等級的欄位。欄名稱會出現在批次預測檔案的標題列。
當您從多類別模型請求預測時，Amazon ML 會針對輸入檔案中的每個觀察運算數個預測分數，而輸入資料集中定義的每個類別各一個。這等同於詢問「相對於其他等級，此觀察歸為此等級的機率為何？(以 0 和 1 來評估)」 每個分數可以轉譯為「該觀察屬於此等級的機率。」 由於預測分數會模擬觀察屬於一種等級或其他等級的基礎機率，因此一列中所有預測分數的總和為 1。您必須挑選一個等級做為模型的預測等級。通常，您可以挑選最有可能是最佳答案的等級。
例如，試想一下在試著預測客戶對產品的評價時，會以 1 到 5 顆星來評比。如果等級名為 `1_star`、`2_stars`、`3_stars`、`4_stars` 和 `5_stars`，那麼多級預測輸出檔案可能如下所示：
```
1_star, 2_stars, 3_stars, 4_stars, 5_stars
8.7642E-3, 2.7195E-1, 4.77781E-1, 1.75411E-1, 6.6094E-2
5.59931E-1, 3.10E-4, 2.48E-4, 1.99871E-1, 2.39640E-1
7.19022E-1, 7.366E-3, 1.95411E-1, 8.78E-4, 7.7323E-2
1.89813E-1, 2.18956E-1, 2.48910E-1, 2.26103E-1, 1.16218E-1
3.129E-3, 8.944209E-1, 3.902E-3, 7.2191E-2, 2.6357E-2
```
在此範例中，第一個觀察的預測分數最高，為 `3_stars` 級 (預測分數 = 4.77781E-1)，因此您可以將結果解譯為，表示 `3_stars` 級是此觀察的最佳答案。請注意，預測分數會以科學記號標記法來報告，所以預測分數 4.77781E-1 也就等於 0.477781。
有時您也許並不想要選擇最高機率的等級，例如，您可能會想要建立最低閾值，若低於此值，即使某個等級有最高預測分數也不會將其視為最佳答案。假設您正在為電影分類，而且希望預測分數至少要有 5E-1，才能表示該分類是最佳答案。喜劇片取得的預測分數是 3E-1、劇情片是 2.5E-1、紀錄片是 2.5E-1、動作片是 2E-1。在此情況下，ML 模型預測您最可能會選擇喜劇片，但您決定不依該最佳答案做出選擇。這是因為所有預測分數都不超過您的基準預測分數 5E-1，所以您判斷這些預測不足以準確預估電影分類，而決定選擇其他方式。之後您的應用程式可能會將這部電影的「分類」欄位標為「不明」。
## 解譯回歸 ML 模型的批次預測檔案內容
回歸模型的批次預測檔案中有一個欄，名為 **score (分數)**。此欄包含輸入資料中每個觀察的原始數字預測。這些數值以科學記號標記法回報，因而下例第一列中的 **score (分數)** 值 -1.526385E1 也就等於 -15.26835。
此範例顯示在回歸模型上執行的批次預測輸出檔案：
```
score
-1.526385E1
-6.188034E0
-1.271108E1
-2.200578E1
8.359159E0
```
# 要求即時預測
即時預測是對 Amazon Machine Learning (Amazon ML) 的同步呼叫。當 Amazon ML 取得請求時，就會進行預測，並立即傳回回應。即時預測常用來在互動式 Web、行動或桌面應用程式內啟用預測功能。您可以使用低延遲 `Predict` API，即時查詢使用 Amazon ML 建立的 ML 模型進行預測。`Predict` 操作會接受要求承載中的單一輸入觀察，並在回應中同步傳回預測。這與批次預測 API 不同，該 API 會使用指向輸入觀察位置的 Amazon ML 資料來源物件 ID 叫用，並以非同步方式將 URI 傳回至包含所有這些觀察預測的檔案。Amazon ML 會在 100 毫秒內回應大多數的即時預測請求。
您可以在 Amazon ML 主控台中嘗試即時預測，而不會產生費用。如果您接著決定使用即時預測，則必須先建立即時預測產生的端點。您可以在 Amazon ML 主控台或使用 `CreateRealtimeEndpoint` API 執行此操作。在您有端點之後，請使用即時預測 API 來產生即時預測。
**注意**
在您建立模型的即時端點之後，即會根據模型大小來開始產生容量保留費用。如需詳細資訊，請參閱[ 定價](https://aws.amazon.com/machine-learning/pricing/)。如果您在主控台中建立即時端點，則主控台會顯示端點將持續增加的預估費用明細。若要在不再需要取得該模型的即時預測時停止產生費用，請使用主控台或 `DeleteRealtimeEndpoint` 操作來移除即時端點。
如需`Predict`請求和回應的範例，請參閱《*Amazon Machine Learning API 參考*》中的[預測](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)。若要查看使用您模型的確切回應格式範例，請參閱[嘗試即時預測](#testing-real-time-predictions)。
**Topics**
+ [
## 嘗試即時預測
](#testing-real-time-predictions)
+ [
## 建立即時端點
](#creating-a-real-time-endpoint)
+ [
## 找到即時預測端點 (主控台)
](#locate-endpoint-by-console)
+ [
## 找到即時預測端點 (API)
](#locating-the-real-time-prediction-endpoint)
+ [
## 建立即時預測要求
](#real-time-prediction-request-format)
+ [
## 刪除即時端點
](#delete-endpoint)
## 嘗試即時預測
為了協助您決定是否啟用即時預測，Amazon ML 可讓您嘗試在單一資料記錄上產生預測，而不會產生與設定即時預測端點相關聯的額外費用。若要嘗試即時預測，您必須具有 ML 模型。若要大規模建立即時預測，請使用 Amazon Machine Learning API 參考中的[預測](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) API。 *Amazon Machine Learning *
**嘗試即時預測**
1. 登入 AWS 管理主控台 並開啟位於 https：//[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) 的 Amazon Machine Learning 主控台。
1. 從導覽列的 **Amazon Machine Learning** 下拉式選單中選擇 **ML models (ML 模型)**。
1. 選擇您想要用來嘗試即時預測的模型，例如教學課程中的 `Subscription propensity model`。
1. 在 ML 模型報告頁面上，於 **Predictions (預測)** 下選擇 **Summary (摘要)**，然後選擇 **Try real-time predictions (嘗試即時預測)**。
![\[Tools section with option to try real-time predictions.\]](http://docs.aws.amazon.com/zh_tw/machine-learning/latest/dg/images/try-real-time.png)
Amazon ML 會顯示構成 Amazon ML 用來訓練模型之資料記錄的變數清單。
1. 在表單的每個欄位中輸入資料，或以 CSV 格式將單一資料記錄貼入文字方塊，即可繼續進行。
若要使用表單，請在各個 **Value (值)** 欄位內輸入您想要用來測試即時預測的資料。如果您輸入的資料記錄未包含一或多個資料屬性的值，請將輸入欄位空白。
若要提供資料記錄，請選擇 **Paste a record (貼上記錄)**。將單一 CSV 格式的資料列貼到文字欄位中，然後選擇**提交**。Amazon ML 會自動為您填入**值**欄位。
**注意**
資料記錄中的資料必須具有與培訓資料相同數目的資料行，並依相同的順序排列。唯一的例外是您應該省略目標值。如果您包含目標值，Amazon ML 會忽略它。
1. 在頁面底部，選擇 **Create prediction (建立預測)**。Amazon ML 會立即傳回預測。
在 **Prediction results (預測結果)** 窗格中，您會看到 `Predict` API 呼叫所傳回的預測物件，以及 ML 模型類型、目標變數的名稱和預測類別或值。如需解譯結果的資訊，請參閱[解譯二元分類 ML 模型的批次預測檔案內容](reading-the-batchprediction-output-files.md#interpreting-the-contents-of-batch-prediction-files-for-a-binary-classification-ml-model)。
![\[Prediction results showing binary ML model type with predicted label 0 and score details.\]](http://docs.aws.amazon.com/zh_tw/machine-learning/latest/dg/images/real-time-result.png)
## 建立即時端點
若要產生即時預測，您需要建立即時端點。若要建立即時端點，您必須已有要產生即時預測的 ML 模型。您可以使用 Amazon ML 主控台或呼叫 `CreateRealtimeEndpoint` API 來建立即時端點。如需使用 `CreateRealtimeEndpoint` API 的詳細資訊，請參閱《Amazon Machine Learning API 參考[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html)》中的 。
**建立即時端點**
1. 登入 AWS 管理主控台 並開啟位於 https：//[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) 的 Amazon Machine Learning 主控台。
1. 從導覽列的 **Amazon Machine Learning** 下拉式選單中選擇 **ML models (ML 模型)**。
1. 選擇您要產生即時預測的模型。
1. 在 **ML model summary (ML 模型摘要)** 頁面上，於 **Predictions (預測)** 下選擇 **Create real-time endpoint (建立即時端點)**。
即會顯示說明即時預測定價方式的對話方塊。
1. 選擇**建立**。即時端點請求會傳送至 Amazon ML 並進入佇列。即時端點的狀態是 **Updating (正在更新)**。
![\[Real-time endpoint status shown as "Updating" in a user interface element.\]](http://docs.aws.amazon.com/zh_tw/machine-learning/latest/dg/images/endpoint-updating.png)
1. 當即時端點就緒時，狀態會變更為**就緒**，Amazon ML 會顯示端點 URL。透過 `Predict` API，使用端點 URL 建立即時預測要求。如需使用 `Predict` API 的詳細資訊，請參閱《Amazon Machine Learning API 參考[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)》中的 。
![\[Real-time endpoint status showing Ready with an endpoint URL and Peak Requests Per Second value.\]](http://docs.aws.amazon.com/zh_tw/machine-learning/latest/dg/images/endpoint-ready.png)
## 找到即時預測端點 (主控台)
若要使用 Amazon ML 主控台尋找 ML 模型的端點 URL，請導覽至模型的 **ML 模型摘要**頁面。
**找到即時端點 URL**
1. 登入 AWS 管理主控台 並開啟位於 https：//[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) 的 Amazon Machine Learning 主控台。
1. 從導覽列的 **Amazon Machine Learning** 下拉式選單中選擇 **ML models (ML 模型)**。
1. 選擇您要產生即時預測的模型。
1. 在 **ML model summary (ML 模型摘要)** 頁面上，向下捲動以查看 **Predictions (預測)** 區段。
1. 模型的端點 URL 會列在 **Real-time prediction (即時預測)** 中。使用此 URL 做為即時預測呼叫的 **Endpoint Url (端點 URL)**。如需如何使用端點產生預測的資訊，請參閱《Amazon Machine Learning API 參考[https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html)》中的 。
## 找到即時預測端點 (API)
當您使用 `CreateRealtimeEndpoint` 操作建立即時端點時，會在回應中將端點的 URL 和狀態傳回給您。如果您已使用主控台建立即時端點，或想要稍後擷取您所建立端點的 URL 和狀態，請呼叫具有您要查詢即時預測之模型識別符的 `GetMLModel` 操作。端點資訊包含在回應的 `EndpointInfo` 區段中。針對具有相關聯即時端點的模型，`EndpointInfo` 可能會如下所示：
```
"EndpointInfo":{
"CreatedAt": 1427864874.227,
"EndpointStatus": "READY",
"EndpointUrl": "https://endpointUrl",
"PeakRequestsPerSecond": 200
}
```
沒有即時端點的模型會傳回下列各項：
```
EndpointInfo":{
"EndpointStatus": "NONE",
"PeakRequestsPerSecond": 0
}
```
## 建立即時預測要求
範例 `Predict` 要求承載可能如下所示：
```
{
"MLModelId": "model-id",
"Record":{
"key1": "value1",
"key2": "value2"
},
"PredictEndpoint": "https://endpointUrl"
}
```
`PredictEndpoint` 欄位必須對應至 `EndpointInfo` 結構的 `EndpointUrl` 欄位。Amazon ML 使用此欄位將請求路由到即時預測機群中的適當伺服器。
`MLModelId` 是具有即時端點之先前培訓過模型的識別符。
`Record` 是變數名稱與變數值的對應。每個配對都代表一個觀察。`Record` 映射包含 Amazon ML 模型的輸入。它類似培訓資料集中的單一資料列，而沒有目標變數。不論培訓資料中的值類型為何，`Record` 都會包含字串對字串對應。
**注意**
您可以省略沒有值的變數，但這可能會降低您預測的準確性。您可以包含的變數愈多，模型會更準確。
`Predict` 要求所傳回的回應格式取決於用於查詢預測的模型類型。在所有情況下，`details` 欄位都會包含預測要求的資訊，尤其是包含具有模型類型的 `PredictiveModelType` 欄位。
下列範例示範二元模型的回應：
```
{
"Prediction":{
"details":{
"PredictiveModelType": "BINARY"
},
"predictedLabel": "0",
"predictedScores":{
"0": 0.47380468249320984
}
}
}
```
請注意包含預測標籤`predictedLabel`的欄位，在此案例中為 0。Amazon ML 透過比較預測分數與分類截止值來計算預測標籤：
+ 您可以檢查 `GetMLModel` 操作回應中的 `ScoreThreshold` 欄位，或在 Amazon ML 主控台中檢視模型資訊，以取得目前與 ML 模型相關聯的分類截止。如果您未設定分數閾值，Amazon ML 會使用預設值 0.5。
+ 您可以檢查 `predictedScores` 對應，以取得二元分類模型的確切預測分數。在這個對應內，預測標籤會與確切的預測分數搭配使用。
如需二元預測的詳細資訊，請參閱[解譯預測](binary-model-insights.md#interpreting-the-predictions)。
下列範例示範回歸模型的回應。請注意，預測數值位於 `predictedValue` 欄位中：
```
{
"Prediction":{
"details":{
"PredictiveModelType": "REGRESSION"
},
"predictedValue": 15.508452415466309
}
}
```
下列範例示範多類別模型的回應：
```
{
"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
}
}
}
```
與二元分類模型類似，預測標籤/類別位於 `predictedLabel` 欄位中。您可以查看 `predictedScores` 對應，以進一步了解預測與每個類別的緊密相關程度。此對應內的類別分數愈高，預測與類別的相關性愈強，而最高值最後會選取為 `predictedLabel`。
如需多類別預測的詳細資訊，請參閱[多類別模型深入分析](multiclass-model-insights.md)。
## 刪除即時端點
當您完成即時預測時，請刪除即時端點，以避免產生額外費用。只要刪除端點，就會立即停止產生費用。
**刪除即時端點**
1. 登入 AWS 管理主控台 並開啟位於 https：//[https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/) 的 Amazon Machine Learning 主控台。
1. 從導覽列的 **Amazon Machine Learning** 下拉式選單中選擇 **ML models (ML 模型)**。
1. 選擇不再需要即時預測的模型。
1. 在 ML 模型報告頁面上，於 **Predictions (預測)** 下選擇 **Summary (摘要)**。
1. 選擇 **Delete real-time endpoint (刪除即時端點)**。
1. 在 **Delete real-time endpoint (刪除即時端點)** 對話方塊中，選擇 **Delete (刪除)**。