Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅中国的 Amazon Web Services 服务入门。

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。

配置分析

分析的输入是由ProcessingInputAPI。这些区域有："analysis_config"的值input_name指定名为的 JSON 文件分析 _config.json包含配置值。JSON 文件的路径在source的参数ProcessingInput. 在参数说明之后，为 CSV、JSON 行、图像和文本数据集的 JSON 文件提供了分析配置 JSON 文件的示例。

JSON 配置文件的参数

在 JSON 配置文件中，可以指定以下参数。

示例 JSON 配置文件

以下是 CSV、JSON 行、图像和文本数据集的分析配置 JSON 文件的示例。

CSV 数据集的分析配置 JSON 文件

以下代码示例显示如何为 CSV 数据集配置分析。

{
    "dataset_type": "text/csv",
    "headers": [
        "feature_0",
        "feature_1",
        "feature_2",
        "feature_3",
        "target"
    ],
    "label": "target",
    "label_values_or_threshold": [1],
    "probability_threshold" : 0.7,
    "facet": [
        {
         "name_or_index" : "feature_1",
         "value_or_threshold": [1]
        },
        {
         "name_or_index" : "feature_2",
         "value_or_threshold": [0.7]
        }
    ],
    "group_variable": "feature_3",
    "joinsource_name_or_index":'column_name',
    "methods": {
        "shap": {
            "baseline": [
                [
                    "yes",
                    3,
                    0.9,
                    1
                ]
            ],
            "num_samples": 1000,
            "agg_method": "mean",
            "use_logit": true,
            "save_local_shap_values": true,
            "num_clusters": 5,
            "seed": 1234
        },
        "pre_training_bias": {
            "methods": "all"
        },
        "post_training_bias": {
            "methods": "all"
        },
        "report": {
            "name": "report",
            "title": "Analysis Report"
        }
    },
    "predictor": {
        "model_name": "my_model",
        "instance_type": "ml.m5.xlarge",
        "initial_instance_count": 1,
        "content_type": "text/csv",
        "accept_type": "text/csv",
        "accelerator_type":"ml.eia1.medium",
        "custom_attributes": "c000b4f9-df62-4c85-a0bf-7c525f9104a4",
        "label": 0,
        "probability": 1,
        "endpoint_name_prefix": "myendpointprefix",
        "target_model": ""
    }
}

CSV 格式的模型输出如下：

Current,"[0.028986845165491104, 0.8253824710845947, 0.028993206098675728, 0.02898673340678215, 0.029557107016444206, 0.0290389321744442, 0.02905467338860035]"

相应的预测变量配置如下：

    "predictor": {
        ...,
        "accept_type":  "text/csv",
        "label": 0,
        "probability": 1,
        ...
    }

JSON 线数据集的分析配置 JSON 文件

以下代码示例演示了如何为 JSON Line 数据集配置分析。

{
    "dataset_type": "application/jsonlines",
    "dataset_uri": "s3://my_bucket/my_folder/dataset.jsonl",
    "headers": ["Label", "Feature1", "Feature2"],
    "label": "data.label",
    "features": "data.features.values",
    "facet":[
        {
            "name_or_index": "Feature1",
            "value_or_threshold": [1,5]
        },
        {
            "name_or_index": "Feature2",
            "value_or_threshold": [2,6]
        }
    ],
    "methods": {
        "shap": {
            "baseline": [
                {"data":{"features":{"values":[9,10]},"label":0}},
                {"data":{"features":{"values":[11,12]},"label":1}}
            ]
        }
    },
    "predictor": {
        "model_name": "my_jsonl_model",
        "instance_type": "ml.m5.xlarge",
        "initial_instance_count": 1
    }
}

作为 S3 前缀的数据集如下：

"dataset_uri": "s3://my_bucket/my_folder"

作为 S3 对象的数据集如下：

"dataset_uri": "s3://my_bucket/my_folder/train.csv"

作为 S3 对象的基线如下：

"baseline": "s3://my_bucket/my_folder/baseline.csv"

以 JSON 行形式输出模型如下：

{"predicted_label": "Current", "score": "[0.028986845165491104, 0.8253824710845947, 0.028993206098675728, 0.02898673340678215, 0.029557107016444206, 0.0290389321744442, 0.02905467338860035]"}

相应的预测变量配置如下：

    "predictor": {
        ...,
        "accept_type":  "application/jsonlines",
        "label": "predicted_label",
        "probability": "score",
        ...
    }

影像数据集的分析配置 JSON 文件

以下代码示例演示了如何使用计算机视觉为对象检测配置分析。

"dataset_type": "application/x-image",
"dataset_uri": "s3://<BUCKET/KEY">
"probability_threshold": 0.7,
"methods": {
    "shap": {
        "num_samples": 500,
        "baseline": "s3://path/to/baseline/image/noise_rgb.png",
        "image_config": {
            "model_type": "(OBJECT_DETECTION|IMAGE_CLASSIFICATION)",
            "num_segments": 20,
            "segment_compactness": (5|10|100),
            "max_objects" : 3,
            "overlap": 0.5,
            "context": 1.0
        }
    }
},

"predictor": {
    "endpoint_name": "sagemaker-endpoint-name",
    "content_type": "(image/jpeg | image/png | application/x-npy)",
    "label_headers": [...] # Required for CV
}

文本数据集的 NLP 分析配置 JSON 文件

以下代码示例演示了如何为自然配置分析。语言正在处理。

{
  "dataset_type":...
  .
  .
  "methods": {
      "shap" : {
         "baseline": ".."
         "num_samples": 100
         *"text_config": {
            "granularity": "(token|sentence|paragraph)"
            "language": ".."
          }*
       }
   .
   .
  }