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。

# 在資料流程上自動訓練模型
<a name="data-wrangler-autopilot"></a>

您可以使用 Amazon SageMaker Autopilot，在資料流程中已轉換的資料上進行自動訓練、調校和部署模型。Amazon SageMaker Autopilot 可以執行多種演算法，並使用最適合您資料的演算法。如需 Amazon SageMaker Autopilot 的詳細資訊，請參閱[SageMaker Autopilot](autopilot-automate-model-development.md)。

當您訓練和調校模型時，Data Wrangler 會將您的資料匯出到 Amazon S3 位置，讓 Amazon SageMaker Autopilot 可以存取該位置。

您可以選擇 Data Wrangler 流程中的一個節點，然後在資料預覽中選擇**匯出和訓練**，來準備和部署模型。您可以使用這個方法來檢視資料集，然後再選擇訓練資料集上的模型進行訓練。

您也可以直接訓練和部署資料流程的模型。

以下程序會準備並部署資料流程的模型。對於具有多列轉換的 Data Wrangler 流程，您無法在部署模型時使用 Data Wrangler 流程的轉換。您可以使用以下程序來處理資料，然後再使用該資料來執行推論。

若要直接訓練和部署資料流程的模型，請執行以下操作。

1. 選擇包含訓練資料之節點旁邊的 **\$1**。

1. 選擇**訓練模型**。

1. （選用） 指定 AWS KMS 金鑰或 ID。如需建立和控制加密金鑰來保護資料的詳細資訊，請參閱 [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html)。

1. 選擇**匯出並訓練**。

1. Amazon SageMaker Autopilot 在 Data Wrangler 匯出的資料上訓練模型後，請為**實驗名稱**指定一個名稱。

1. 在**輸入資料**下方，選擇**預覽**來驗證 Data Wrangler 是否將您的資料正確地匯出到 Amazon SageMaker Autopilot。

1. 針對**目標**，選擇目標欄。

1. (選用) 針對**輸出資料**下方的 **S3 位置**，請指定預設位置以外的 Amazon S3 位置。

1. 選擇**下一步：訓練方法**。

1. 選擇一種訓練方法。如需詳細資訊，請參閱[訓練模式](autopilot-model-support-validation.md#autopilot-training-mode)。

1. (選用) 針對**自動部署端點**，請指定端點的名稱。

1. 針對**部署選項**，請選擇一種部署方法。您可以選擇使用或不使用已對資料進行的轉換進行部署。
**重要**  
您無法使用已在 Data Wrangler 流程中進行的轉換來部署 Amazon SageMaker Autopilot 模型。如需那些轉換的詳細資訊，請參閱[匯出至推論端點](data-wrangler-data-export.md#data-wrangler-data-export-inference)。

1. 選擇**下一步：檢閱和建立**。

1. 選擇 **Create experiment (建立實驗)**。

如需模型訓練和部署的詳細資訊，請參閱[使用 AutoML API 建立表格式資料的迴歸或分類任務](autopilot-automate-model-development-create-experiment.md)。Autopilot 會顯示有關最佳模型效能的分析。如需有關模型效能的詳細資訊，請參閱[檢視 Autopilot 模型效能報告](autopilot-model-insights.md)。