关于机器学习:SageMaker支持R编程数据科学家们欢呼吧

对数据科学家来说，R 语言无异于一个利器，能够十分不便直观地解决大量与数据分析无关的挑战。这样一个神器与 SageMaker 的机器学习能力相结合又能产生多大的威力？目前，曾经有不少 AWS 客户开始将风行的开源统计计算与图形软件 R 全面引入大数据分析与数据迷信畛域。

Amazon SageMaker 是一项全托管服务，可帮忙用户疾速实现机器学习（ML）模型的构建、训练与部署。Amazon SageMaker 打消了机器学习流程中各个步骤带来的沉重累赘，显著升高了高质量模型的开发门槛。2019 年 8 月，Amazon SageMaker 发表在所有区域都预装 R 内核。这项性能开箱即用，且事后装置有 reticulate 库，负责为 Amazon SageMaker Python SDK 提供 R 接口，帮忙用户间接从 R 脚本中调用 Python 模块。

在本文中，咱们将理解如何在 Amazon SageMaker notebook 实例上应用 R 实现机器学习模型的训练、部署与预测后果检索。此模型将依据鲍鱼贝壳上的圈纹数量预测鲍鱼的年龄。大家能够应用 reticulate 工具包实现 R 与 Python 对象之间的翻译，Amazon SageMaker 则提供无服务器环境，用于机器学习模型的大规模训练与部署。

要实现本篇文章，大家须要对 R 领有根本理解，并相熟以下 tidyverse 软件包：dplyr、readr、stringr 以及 ggplot2。

创立一个带有 R 内核的 Amazon SageMaker notebook实例

要创立一个预装 R 内核的 Amazon SageMaker notebook 实例，须要实现以下操作步骤：

• 创立一个 Notebook 实例。

咱们能够依据须要抉择实例类型与存储大小创立一个 Notebook 实例。此外，请留神抉择身份与拜访治理（Identity and Access Management，简称 IAM）角色，保障可能运行 Amazon SageMaker 并领有对我的项目中应用的 Amazon Simple Storage Service（Amazon S3）存储桶的拜访权限。另外，大家也能够抉择 VPC、子网以及 Git 库（如果需要的话）。对于更多详细信息，请参阅创立 IAM 角色。

• 在确认 Notebook 的以后状态为 InService 后，抉择 Open Jupyter。

• 在 Jupyter 环境中，通过 New 下拉菜单抉择 R。

Amazon SageMaker 中的 R 内核应用 IRKernel 软件包，并蕴含 140 多个规范工具包。对于为 Amazon SageMaker Jupyter notebook 实例创立自定义 R 环境的更多信息，请参阅为 Amazon SageMaker 创立长久自定义 R 环境。

在创立新 Notebook 时，大家应该会在 Notebook 环境的右上角看到 R 徽标，徽标下方则为 R 内核。这表明 Amazon SageMaker 曾经胜利为以后 Notebook 启动 R 内核。

在 Amazon SageMaker上通过 R 实现端到端机器学习

本文中的示例 Notebook 可通过 Using R with Amazon SageMaker GitHub repo 获取。

接下来加载 reticulate 库并导入 sagemaker Python 模块。详见以下代码：

library(reticulate)

sagemaker <- import('sagemaker')

在模块加载实现后，应用 R 中的 $ 代替 Python 中的.。

创立并拜访数据存储

Session 类负责通过 Amazon SageMaker 对以下 boto3 资源进行操作：

• S3
• SageMaker
• SageMakerRuntime

在本用例中，咱们为 Amazon SageMaker 创立一个默认 S3 存储桶。应用 default_bucket 函数创立一个名为 sagemaker-_<aws-region-name>_-_<aws account number>_ 的 S3 存储桶，详见以下代码：

session <- sagemaker$Session()
bucket <- session$default_bucket()

指定 IAM 角色的 ARN，以容许 Amazon SageMaker 拜访该 S3 存储桶。大家能够抉择创立 Notebook 时应用过的同一 IAM 角色，详见以下代码：

role_arn <- sagemaker$get_execution_role()

下载并解决数据集

咱们的模型应用来自 UCI 机器学习库的 Abalone 数据集。下载相干数据并开始探索性数据分析。应用 tidyverse 软件包读取数据、绘制数据并将其转换为实用于 Amazon SageMaker 的 ML 格局，详见以下代码。

library(readr)
data_file <- 'http://archive.ics.uci.edu/ml/machine-learning-databases/abalone/abalone.data'
abalone <- read_csv(file = data_file, col_names = FALSE)
names(abalone) <- c('sex', 'length', 'diameter', 'height', 'whole_weight', 'shucked_weight', 'viscera_weight', 'shell_weight', 'rings')
head(abalone)

下表为输入后果。

输入后果中的 sex 属于一种因子数据类型，但其目前属于字符数据类型（F 为雌性、M 为雄性、I 为幼体）。将变量 sex 转换为一个因子数据类型，并应用以下代码查看数据集的统计摘要：

abalone$sex <- as.factor(abalone$sex)
summary(abalone)

以下截屏为上述代码片段的输入后果，此代码片段提供了 abalone 数据框的统计摘要。

摘要中显示，height 的最小值为 0。大家能够应用以下代码与库绘制不同性别值的 rings（即文章结尾提到的贝壳圈数）与 height 之间的关系，从而直观理解哪些鲍鱼的 height 值为 0。

library(ggplot2)
options(repr.plot.width = 5, repr.plot.height = 4)
ggplot(abalone, aes(x = height, y = rings, color = sex)) + geom_point() + geom_jitter()

下图为数据绘出的图。

图中显示出多个异样值：2 个 height 为 0 的幼体鲍鱼，以及数个 height 远超平均水平的雌性与雄性鲍鱼。要过滤掉这 2 个 height 为 0 的幼体鲍鱼，请应用以下代码：

library(dplyr)
abalone <- abalone %>%
 filter(height != 0)

为模型训练筹备数据集

本模型须要 3 个数据集：训练数据集、测试数据集以及验证数据集。大家须要实现以下操作步骤：

l 将变量 sex 转换为虚构变量(Dummy Variable)），而后将指标 rings 挪动至第一列：

abalone <- abalone %>%
 mutate(female = as.integer(ifelse(sex == 'F', 1, 0)),
 male = as.integer(ifelse(sex == 'M', 1, 0)),
 infant = as.integer(ifelse(sex == 'I', 1, 0))) %>%
 select(-sex)
abalone <- abalone %>%
 select(rings:infant, length:shell_weight)
head(abalone)

Amazon SageMaker 算法要求指标位于数据集的第一列。下表是输入后果。

l 全副数据样本中，有 70% 被用于进行 ML 算法训练，其余 30% 则被进一步拆分成两个局部，一部分用于测试、一部分用于验证：

abalone_train <- abalone %>%
 sample_frac(size = 0.7)
abalone <- anti_join(abalone, abalone_train)
abalone_test <- abalone %>%
 sample_frac(size = 0.5)
abalone_valid <- anti_join(abalone, abalone_test)

当初，咱们能够将训练与验证数据上传至 Amazon S3，从而进行模型训练。请留神，对于 CSV 文件训练时，XGBoost 算法会假设指标变量位于第一列中，且 CSV 没有列名称。对于 CSV 文件推理时，该算法则假设 CSV 输出中不存在列名称。以下代码不会将列名称保留在 CSV 文件中。

• 以.csv 格局将训练与验证数据集写入至本地文件系统当中：

write_csv(abalone_train, 'abalone_train.csv', col_names = FALSE)
write_csv(abalone_valid, 'abalone_valid.csv', col_names = FALSE)

• 将 2 套数据集上传至 S3 存储桶中的 data“目录”内：

s3_train <- session$upload_data(path = 'abalone_train.csv',
 bucket = bucket,
 key_prefix = 'data')
s3_valid <- session$upload_data(path = 'abalone_valid.csv',
 bucket = bucket,
 key_prefix = 'data')

• 为 Amazon SageMaker 算法定义 Amazon S3 输出类型：

s3_train_input <- sagemaker$s3_input(s3_data = s3_train, content_type = 'csv')
s3_valid_input <- sagemaker$s3_input(s3_data = s3_valid, content_type = 'csv')

训练模型

Amazon SageMaker 应用容器 Docker 来进行训练。要训练 XGBoost 模型，请实现以下操作步骤：

• 在所用区域的 Amazon Elastic Container Registry (Amazon ECR)当中指定训练容器，详见以下代码：

registry <- sagemaker$amazon$amazon_estimator$registry(session$boto_region_name, algorithm='xgboost')
container <- paste(registry, '/xgboost:latest', sep='')
container
'811284229777.dkr.ecr.us-east-1.amazonaws.com/xgboost:latest'

• 定义一个 Amazon SageMaker Estimator，它能够训练容器化的任意算法。在创立 Estimator 时，请应用以下参数：
• image_name – 在训练中应用的容器镜像
• role – Amazon SageMaker 服务角色
• train_instance_count – 在训练中应用的 EC2 实例数量
• train_instance_type – 在训练中应用的 EC2 实例类型
• train_volume_size – 在训练过程中用于存储输出数据的 Amazon Elastic Block Store (Amazon EBS)存储卷的容量大小（单位为 GB）
• train_max_run – 训练超时（单位为秒）
• input_mode – 算法反对的输出模式
• output_path – 用于保留训练后果（包含模型工件与输入文件）的 Amazon S3 地位
• output_kms_key – 用于加密训练输入后果的 AWS Key Management Service (AWS KMS)密钥
• base_job_name – 训练作业的名称前缀
• sagemaker_session – 负责管理与 Amazon SageMaker API 间交互的 Session 对象

s3_output <- paste0('s3://', bucket, '/output')
estimator <- sagemaker$estimator$Estimator(image_name = container,
 role = role_arn,
 train_instance_count = 1L,
 train_instance_type = 'ml.m5.large',
 train_volume_size = 30L,
 train_max_run = 3600L,
 input_mode = 'File',
 output_path = s3_output,
 output_kms_key = NULL,
 base_job_name = NULL,
 sagemaker_session = NULL)

Python 中的 None 相当于 R 中的 NULL。

• 指定 XGBoost 超参数并进行模型拟合
• 将训练轮数设置为 100，这也是在 Amazon SageMaker 之外应用 XGBoost 库时的默认值。
• 依据以后工夫戳指定输出数据与作业名称。

estimator$set_hyperparameters(num_round = 100L)
job_name <- paste('sagemaker-train-xgboost', format(Sys.time(), '%H-%M-%S'), sep = '-')
input_data <- list('train' = s3_train_input,
 'validation' = s3_valid_input)
estimator$fit(inputs = input_data,
 job_name = job_name)

在训练实现之后，Amazon SageMaker 会将模型的二进制文件（gzip 压缩文件）复制至指定的 Amazon S3 输入地位。应用以下代码以获取残缺的 Amazon S3 门路：

estimator$model_data

部署模型

Amazon SageMaker 为用户提供一个预测入口（Endpoint），咱们能够应用 HTTPS 申请通过平安、简略 API 调用以实现模型部署。要将训练实现的模型部署在 ml.t2.medium 实例上，请输出以下代码：

model_endpoint <- estimator$deploy(initial_instance_count = 1L,
 instance_type = 'ml.t2.medium')

应用模型进行预测

当初，大家能够应用测试数据进行预测。请实现以下操作步骤：

• 通过为预测入口（Endpoint）指定 text/csv 与 csv_serializer，将以逗号分隔的文本传递为 JSON 格局，具体参见以下代码：

model_endpoint$content_type <- 'text/csv'
model_endpoint$serializer <- sagemaker$predictor$csv_serializer

• 删除指标列，并将前 500 个行数据转换为没有列名称的矩阵：

abalone_test <- abalone_test[-1]
num_predict_rows <- 500
test_sample <- as.matrix(abalone_test[1:num_predict_rows,])
dimnames(test_sample)[[2]] <- NULL

本文只应用 500 行数据，以防止超出预测入口（Endpoint）下限。

• 预测并将其转换成以逗号分隔的字符串：

library(stringr)
predictions <- model_endpoint$predict(test_sample)
predictions <- str_split(predictions, pattern = ',', simplify = TRUE)
predictions <- as.numeric(predictions)

• 将预测出的圈数与测试数据集的列绑定：

把预测值转换成整数

• abalone_test <- cbind(predicted_rings = as.integer(predictions),
• abalone_test[1:num_predict_rows,])
• head(abalone_test)

下表所示为代码的输入后果，其将 predicted_rings 增加至 abalone_test 表当中。请留神，理论代码输入可能与此不同，因为步骤 2 中“为模型训练筹备数据集”阶段内的数据集训练 / 验证 / 测试拆分属于随机拆分，所以拆分后果很可能与本示例有所区别。
![image](/img/bVcLpwT

删除预测入口（Endpoint）

在模型应用实现之后，请删除预测入口（Endpoint）以防止产生不必要的部署老本。具体参见以下代码：

session$delete_endpoint(model_endpoint$endpoint)

总结

本文疏导大家实现了一个端到端机器学习我的项目，全面涵盖数据收集、数据处理、模型训练、将模型部署为端点、应用所部署模型进行推理等各个步骤。对于为 Amazon SageMaker Jupyter notebook 实例创立自定义 R 环境的更多信息，请参阅为 Amazon SageMaker 创立长久自定义 R 环境。对于 Amazon SageMaker 上的 R notebook 示例，请参阅 Amazon SageMaker 示例 GitHub repo。

大家也能够参考开发者指南上的《Amazon SageMaker R 用户指南》以理解对于通过 R 应用 Amazon SageMaker 各项性能的详细信息。