ある企業は、機械学習（ML）を使用して顧客離反予測モデルを改善しようとしています。企業はデータをAmazon Redshiftデータウェアハウスに保存しています。データサイエンスチームは、Amazon Redshift機械学習（Amazon Redshift ML）を使用して、データウェアハウス内で直接モデルを構築し、新しいデータに対する予測を実行したいと考えています。Amazon Redshift MLを使用してこれらの要件を満たすために、企業はどのステップの組み合わせを実行すべきですか？（3つ選択）
（3つ選択）
正解：A, C, E
（特徴量変数とターゲット変数を定義）は、モデル構築の最初のステップとして不可欠です。Redshift MLでは、トレーニングデータの特徴量（例：顧客の年齢、購入頻度、契約期間）とターゲット変数（例：離反したかどうか）をSQLクエリで指定する必要があります。これにより、モデルがどのデータを入力として使用し、どの結果を予測するかを定義できます。
（CREATE MODEL SQLステートメントを記述してモデルを作成）は、Redshift MLの中心的なプロセスです。Redshift MLでは、CREATE MODELステートメントを使用して、トレーニングデータの選択、モデルタイプ（例：2値分類）、ハイパーパラメータ、ターゲット変数を指定し、モデルをトレーニングします。Redshift MLは内部的にAmazon SageMakerを利用してモデルをトレーニングし、トレーニング済みモデルをRedshift内に保存するため、データサイエンティストはSQLだけでモデル構築を完結できます。
（SQL予測関数を使用して予測を実行）は、新しいデータに対する予測を行うためのステップです。Redshift MLでは、トレーニング後に生成された予測関数（例：モデル名に基づくカスタム関数）を使用して、SQLクエリで新しいデータに対して予測を実行できます。これにより、データウェアハウス内で直接、離反確率を予測でき、外部ツールやデータ移動が不要です。
コメント