sagemaker中的逻辑回归-Java 学习之路

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

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 . 我想知道如何根据两个特定功能运行预测模型来预测结果 . 例如 . 我在模型中有30个功能，并使用这些功能训练模型 . 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那些列并在同一代码中传递时，我得到以下错误 .

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实现中，R中的glm.predict（'feature1'，'feature2'）相当于什么？

1 回答

4
当您在数据上训练回归模型时，您将学习从输入要素到响应变量的映射 . 然后，您可以使用该映射通过向模型提供新的输入要素来进行预测 .

如果您在30个特征上训练了模型，则不可能使用相同的模型仅使用2个特征进行预测 . 您必须为其他28个功能提供值 .

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（a.k.a . '参数'或'系数'） . 如果特征1的权重是x，则当特征1增加1.0时，预测响应增加x .

要查看使用Amazon SageMaker中的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 . 模型工件可以从您在 output 参数中指定的S3位置下载到 sagemaker.estimator.Estimator 方法 .
```
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]
```
回复于 2024-04-25T13:49:32+08:00

sagemaker中的逻辑回归

1 回答

相关问题