实验2 – 房价预测（房地产）
前言：
您将通过本教程学会如何使用Amazon SageMaker Canvas预测房价，内容包含：
- 概述
- 将数据集上传至S3存储桶
- 在Canvas中导入数据集
- 构建和训练ML模型
- 使用该模型生成预测结果
在开始本实验室之前，请确保您已经完成“手把手带你启动 Amazon SageMaker Canvas ”（先决条件）部分中描述的步骤。
| 关于本教程 | |
|---|---|
| 时间 | 10 分钟 |
| 费用 | 免费套餐 |
| 相关行业 | 通用 |
| 相关产品 | Amazon SageMaker Canvas |
| 受众 | 业务分析师 |
| 级别 | 初级 |
| 上次更新日期 | 2022年5月 |
-
模块一. 概述
在本实验室中，您将学习如何使用Amazon SageMaker Canvas导入和分析房价数据集，在无需编写代码的情况下构建用于预测房价的ML模型。由于价格可以是任何范围的真实值，该ML问题被称为“回归“。数据模式如下所示：
列名
数据类型
说明
纬度 （latitude）
十进制数
衡量某幢房屋离西边有多远；数值越大，越靠近西边
经度 (longitude)
十进制数
衡量某幢房屋离北方有多远；数值越大，越靠近北方
整数
整数
街区内房间总数
整数
街区内卧室总数
人口 (population)
十进制数
街区内总居住人数
家庭 (households)
整数
家庭总数，以家庭为单位居住在一起的一群人
收入中值 (median_income)
十进制数
街区内各家收入中值（以万美元为单位）
房屋价值中值（目标）(median_house_value)
十进制数
街区内各家房屋价值中值（美元计价）
靠海 (ocean_proximity)
字符串
房屋距海边的位置
-
模块二. 将数据集上传至S3存储桶
第一步是下载我们将使用的数据集。请点击此处下载。
进入亚马逊云科技管理控制台，在控制台顶部的搜索框中搜索S3，然后转到S3服务控制台。
在S3控制台，点击sagemaker-studio-*存储桶。
sagemaker-studio-*桶是在您在“手把手带你启动Amazon SageMaker Canvas ”（先决条件）部分创建SageMakerStudio域时自动创建的。
点击Upload（上传）。
在上传页面，拖放您刚刚下载的 bank-marketing.csv 文件，然后在页面底部点击Upload（上传）。上传完成后，点击右上方的Close（关闭）按钮。现在，您应该看到文件已经上传至您的存储桶中。
-
模块三 - 在Canvas中导入数据集
返回在手把手带你启动 SageMaker Canvas（先决条件）部分创建的 SageMaker Canvas 选项卡。在左边的菜单上，您可以点击第二个图标，进入数据集部分，然后点击 Import（导入）按钮。
现在，选择我们之前上传数据集的存储桶，即sagemaker-studio-*存储桶。
现在您可以通过选择其左侧的复选框而选择之前上传的bank-marketing.csv文件。在页面底部会弹出两个新的按钮：Preview all（预览全部）和 Import Data（导入数据）。我们选择第一个。
现在，您会看到将要导入的数据集100行预览。核对无误后，点击Import Data（导入数据）。
-
模块四. 构建和训练ML模型
现在，请点击左侧菜单上的第二个按钮，返回网页的Models（模型）部分。
点击+ New model（构建新模型），并为您的模型添加一个名称，例如“Housing Prices“或”Housing Regression“。
如果是首次构建Canvas模型，将会弹出一个信息窗口，介绍如何通过4个简单步骤构建首个模型。您可以先读一遍，然后再返回本指南。
在模型视图中，您会看到四个选项卡，分别对应构建模型并用来生成预测的四个步骤： Select（选择）、 Build（构建）、 Analyze（分析）、 Predict（预测）。在第一个 Select（选择）选项卡中，点击单选按钮，选择我们之前上传的bank-marketing.csv数据集。该数据集包括21列和4.1万行。点击底部的 Select dataset（选择数据集）按钮。
Canvas将自动跳转至Build（构建）阶段。在该选项卡中，请选择目标列，在我们的示例中为median_house_value。您的营销团队已告知您，这一列表示现有客户是否已办理过银行存单。此即训练模型进行预测的内容。Canvas会自动检测到这是一个数值预测（Numeric prediction）问题。如果检测到模型类型错误，您可以通过屏幕中央的Change type（更改类型）链接手动更改。
在屏幕的下半部分，您可以看一下数据集的一些统计数据，包括缺失值和不匹配值、唯一值、均值、中值或者与目标列之间的相关系数，也可以通过条件筛选来观察特定数据。也可以用来放弃一些列，如果我们不想在预测中使用这些列，只需在左侧的复选框取消勾选即可。更为完备的数据准备工作可以在SageMaker Data Wrangler中作为前置工作来完成。对于本实验室，我们打算使用所有的可用特性。您可以在稍后返回该步骤，尝试改变一些特性，查看对模型训练的影响情况。
探索过该部分后，就到了最终训练模型的时候了！在构建完整的模型之前，通过训练一个Quick Model（快速模型），从而对我们的模型性能有一个大致了解，不失为一种很好的做法。为优先考虑速度而非准确性，快速模型所训练的模型和超参数组合较少，特别是在像我们这样想证明ML模型训练在我们用例之中的价值情况下。请注意，快速构建不能用于超过5万行的模型。让我们继续并点击Quick build（快速构建）。
现在，我们等待2-15分钟。由于数据集很小，这可能需要不到2分钟的时间。完成后，Canvas将自动跳转至Analyze（分析）选项卡，为我们展示快速训练的结果。使用快速构建所进行的分析显示，我们估计该模型在91.5%的情况下能够预测出正确的结果。
现在，我们来看一下第一个选项卡：Overview（概览）。该选项卡向我们展示了Column impact（列影响），也就是每一列在预测目标列中的大致重要性。在该示例中，“持续时间“列对预测客户是否会在银行开立新存单的影响最大。
如果以下各图中的数字与您的数字不同，不必担心。机器学习在模型训练过程中加入了一些随机性，可能导致不同的构建所生成的结果不同。
我们的模型用大数字显示了回归问题的一个指标 - 均方根误差（RMSE）。这代表了对预测范围的测量，较低的值表示对我们目标变量的预测更加准确。这意味着我们的预测存在一个+-48k$的均方误差。在后面部分，我们将看到我们的预测偏差有多大。
现在，我们来看一下第一个选项卡：Overview（概览）。该选项卡向我们展示了Column impact（列影响），也就是每一列在预测目标列中的大致重要性。该视图非常重要，其向我们提供了关于那些可能泄露我们目标标签的特性（被称为目标泄漏，这种情况下，某个特性的重要性不成比例地高于其他特性）或与问题无关的特性（特性重要性非常低）信息。在我们的示例中，即使是影响最低的一列也很重要，因此这意味着我们应该保留所有特性。稍后，我们仍然可以尝试删除其中的一些特性，查看对构建有何影响。
如果您想了解关于Canvas如何使用SHAP基准为机器学习带来可解释性的更多信息，请查看Canvas文档中的“Evaluating Your Model's Performance in Amazon SageMaker Canvas“部分内容以及SHAP Baselines for Explainability页面。
跳转至“分析“的Scoring（得分）部分后，可以看到关于实际值的预测值分布图：这可以让我们计算另一个指标 - 平均误差（MAE），其显示了我们与实际值预测的均差。您可以点击右侧的Advanced metrics（高级指标）按钮，查看更多指标，获取更多信息。现在，您有两个选择：- 您可以点击页面底部的Predict（预测）按钮，使用该模型进行某些预测；
- 您可以创建一个新版本的模型，通过Standard Build（标准构建）过程进行训练。这耗时更长 - 大约4-6小时 - 但准确率更高。
在本实验室中，我们将选择第1项。如果您愿意的话，可自行运行第2项。请注意，若通过SageMaker Studio集成与数据科学家分享模型，则必须使用Standard
Build（标准构建）训练模型。Predictions（预测）不需要完整构建，但其性能可能差于经完全训练过的模型。
-
模块五. 使用该模型生成预测结果
现在，模型已经训练完毕，让我们用其进行一些预测。请在Analyze（分析）页面底部选择Predict（预测），或者选择Predict（预测）选项卡。
现在，请选择Select dataset（选择数据集），并选择Regression-housing.csv。接下来，在页面底部选择Generate predictions（生成预测）。Canvas将使用该数据集来生成预测结果。一般而言，虽然不建议使用相同的数据集进行训练和测试，但为了简单起见，我们使用的是同一个数据集。几秒后，预测完成。您可以点击眼睛图标，通过悬停鼠标查看预测结果预览，或者点击下载按钮，下载包含完整输出的CSV文件。SageMaker Canvas 将为每一行数据返回一个预测值，以及关于预测是否正确的概率。
您也可以选择Single prediction（单次预测）而非批量预测，逐一预测数值。Canvas会显示一个供您为各特性手动输入数值的视图，并生成预测。这非常适合于what-if scenarios（假设场景）情况：例如，如果房屋较旧，价格将如何变化？如果更靠海呢？如果该房屋有多个房间呢？
1. 再次运行该实验室，但构建一个标准模型，查看其性能；
2. 登出（Account -> Log out）本次实验，选择运行另一个实验室。