时间戳

首页 > 解决方案 > sagemaker 中的逻辑回归

amazon-web-services - sagemaker 中的逻辑回归

问题描述

我正在使用 aws sagemaker 进行逻辑回归。为了在测试数据上验证模型，使用以下代码

runtime= boto3.client('runtime.sagemaker')

payload = np2csv(test_X)
response = runtime.invoke_endpoint(EndpointName=linear_endpoint,
                                   ContentType='text/csv',
                                   Body=payload)
result = json.loads(response['Body'].read().decode())
test_pred = np.array([r['score'] for r in result['predictions']])

结果包含预测值和概率分数。我想知道如何运行预测模型来根据两个特定特征预测结果。例如。我在模型中有 30 个特征，并使用这些特征训练了模型。现在对于我的预测，我想知道 feature1='x' 和 feature2='y' 时的结果。但是当我将数据过滤到这些列并在相同的代码中传递时，我收到以下错误。

Customer Error: The feature dimension of the input: 4 does not match the feature dimension of the model: 30. Please fix the input and try again.

在 AWS Sagemaker 实施中，R 中的 say glm.predict('feature1','feature2') 等价物是什么？

标签： amazon-web-servicesamazon-sagemaker

解决方案

当您在数据上训练回归模型时，您正在学习从输入特征到响应变量的映射。然后，您可以使用该映射通过向模型提供新的输入特征来进行预测。

如果您在 30 个特征上训练了一个模型，则不可能使用相同的模型仅对其中的 2 个特征进行预测。您必须为其他 28 个特征提供值。

如果您只想知道这两个特征如何影响预测，那么您可以查看训练模型的权重（也称为“参数”或“系数”）。如果特征 1 的权重为 x，则当特征 1 增加 1.0 时，预测响应增加 x。

要查看在 Amazon SageMaker 中使用线性学习器算法训练的模型的权重，您可以下载 model.tar.gz 工件并在本地打开它。output可以从您在该方法的参数中指定的 S3 位置下载模型工件sagemaker.estimator.Estimator。

import os
import mxnet as mx
import boto3

bucket = "<your_bucket>"
key = "<your_model_prefix>"
boto3.resource('s3').Bucket(bucket).download_file(key, 'model.tar.gz')

os.system('tar -zxvf model.tar.gz')

# Linear learner model is itself a zip file, containing a mxnet model and other metadata.
# First unzip the model.
os.system('unzip model_algo-1') 

# Load the mxnet module
mod = mx.module.Module.load("mx-mod", 0)

# model weights
weights = mod._arg_params['fc0_weight'].asnumpy().flatten()

# model bias
bias = mod._arg_params['fc0_bias'].asnumpy().flatten()

# weight for the first feature
weights[0]

推荐阅读