AWS 入门
语言中文
机器学习

Amazon SageMaker Canvas 无代码 ML - 通过可视化界面构建预测模型

无需编码即可构建 ML 模型的可视化工具。只需上传 CSV 并选择预测目标即可完成模型构建，还支持与 Studio 双向共享。

阅读约需 2 分钟

SageMaker Canvas 概述

SageMaker Canvas 是无需编码即可构建和预测 ML 模型的可视化界面。SageMaker Studio 是面向数据科学家的 IDE，而 Canvas 则是让业务分析师和非工程师活用 ML 的工具。上传 CSV 文件并选择预测目标列后，可以构建模型。数据源除 S3 上的 CSV 外，还支持与 Redshift、Athena、Snowflake 的直接连接，可将现有数据仓库的数据用于分析。

模型构建与预测

导入数据集并选择预测目标列 (Target) 后，Canvas 会自动执行数据分析、特征工程、算法选择和超参数优化。对于数值预测和分类预测，平均构建时间为 Quick Build 2-20 分钟、Standard Build 2-4 小时，Standard Build 的精度通常更高。Canvas 使用 AutoML 以多种算法（线性回归、XGBoost、Deep Learning 等）构建最多 250 个模型，并选择性能最好的模型。可以用构建好的模型对新数据执行预测，并以 CSV 格式下载结果。除批量预测外，还支持单条记录预测（What-if 分析），可以改变特征值确认预测结果的变化。Ready-to-use 模型是从 Canvas 直接使用预训练 Bedrock 模型的功能，可执行情感分析和文本摘要。

模型共享与自动重新训练

在 Canvas 中构建的模型可以共享到 SageMaker Studio，由数据科学家用 Python 代码进行详细调优和评估。反过来，也可以将 Studio 中构建的高级模型导入 Canvas，让业务分析师通过 GUI 执行预测。设置自动重新训练计划后，模型会用新数据更新。Canvas 支持时间序列预测、分类、回归、图像分类、文本分类等问题类型，开始构建模型时会推荐模型类型。

用例与导入模式

Canvas 的用途之一是数据已积累但数据科学团队人手不足的部门。在营销部门构建客户流失预测的场景中，上传从 CRM 导出的客户属性 CSV（合同期限、使用频率、客服咨询次数等），将目标列指定为「流失标记」来构建流失预测模型。在制造业质量预测中，导入传感器时间序列数据，提前预测不良品发生以改善良率。在零售需求预测中，使用 Canvas 的时间序列预测模式按 SKU 预测销售数量，用于库存优化。导入流程之一是三阶段流程：首先用 Canvas 验证假设（通过 Quick Build 确认模型可行性），如果精度有望则共享到 Studio 由数据科学家调优，最终作为 SageMaker Endpoint 进行生产部署。

与 SageMaker Studio Notebooks 的区分使用

Canvas 与 Studio Notebooks 通过目标用户和自由度的权衡来区分定位。Canvas 是用于验证的无代码工具，可自动执行特征预处理、算法选择和超参数优化。而在 Studio Notebooks 中，可使用 Python/R 指定自定义预处理、自有算法实现、分布式训练、GPU 选型等。Canvas 的限制包括：无法投入自定义算法、无法精细指定特征变换逻辑、对模型中间输出（特征重要度以外的解释）的访问有限。因此，AutoML 精度足够的任务用 Canvas，需要新颖研究方法的任务用 Studio Notebooks，这是一种区分方式。当 Canvas Quick Build 的结果显示精度不足但有希望时，一种用法是将模型交给 Studio。

Canvas 的费用

Canvas 的会话费用按工作区使用时间计费。模型训练按训练时间和实例类型另行计费。Quick Build 用于探索性分析，Standard Build 通常构建精度更高的模型。如果 Quick Build 能获得足够精度，省略 Standard Build 可降低训练成本。不使用 Canvas 会话的时段注销以停止计费。Ready-to-use 模型（情感分析、文本提取）无需额外训练即可使用，不产生训练成本。Canvas 在后台维持实例，如果数据探索结束后未注销，会话费用将持续产生。

总结

SageMaker Canvas 是无代码构建 ML 模型的可视化工具。业务分析师可以自行执行数据分析和预测，通过与 Studio 的双向模型共享与数据科学家交接模型。支持时间序列预测、分类、回归、图像分类，自动重新训练可用新数据更新模型。Ready-to-use 模型无需额外训练即可使用情感分析和文本提取。

参考资料（AWS 官方）

本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。

如本页内容与官方文档不一致，请以官方文档为准。

分享

相关服务

Amazon SageMaker Canvas 专业无需编写代码即可构建机器学习模型的可视化工具Amazon SageMaker 热门覆盖机器学习全生命周期的综合平台Amazon S3 经典具有高耐久性和可扩展性的对象存储服务

相关文章

用 Amazon SageMaker 构建 ML 平台 - 从模型构建到部署介绍从 Studio 开发到托管 Spot 训练、Pipelines 实现 MLOps、Model Monitor 数据漂移检测，整合 ML 全生命周期的方法。Amazon Forecast 的需求预测 - 停止新用户受理、迁移到 SageMaker Canvas 以及时间序列预测的机制Amazon Forecast 已于 2024 年 7 月 29 日停止受理新用户（现有用户可继续使用）。本文讲解迁移到官方承接方案 SageMaker Canvas 的时间序列预测，以及 Forecast 的模型构建 / 概率预测 / 计费结构。使用 AWS AppFabric 集中 SaaS 审计日志 - OCSF 标准化与 Security Lake 集成详解 AppFabric 收集 SaaS 应用审计日志、将其标准化为 OCSF 格式，以及构建分析管道的方法。

本主题的更多内容

使用 AWS Batch 执行基于 GPU 的机器学习训练 - 高性价比的大规模训练方案利用现有 Docker 容器执行 GPU 训练，通过 Spot 实例与检查点机制将成本最高降低 90%。同时介绍与 SageMaker 的使用场景区分。在 Amazon Bedrock 中使用 Claude - 从模型选择到提示词设计与成本优化介绍 Amazon Bedrock 中可用的 Anthropic Claude 模型特性对比、按使用场景的模型选择指南、提示词设计最佳实践以及成本优化方法。使用 Amazon Bedrock Knowledge Bases 构建 RAG 应用 - 检索增强生成的实现自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。介绍分块策略的选择以及通过 Guardrails 确保安全性的方法。使用 Amazon Braket 入门量子计算 - 量子电路的设计与模拟用本地模拟器免费进行原型开发，并在 IonQ、Rigetti 的真机上运行量子电路。介绍用混合作业实现 VQE 和 QAOA 的方法。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。使用 Amazon Comprehend 实现自然语言处理 - 情感分析与实体提取的活用详解 Comprehend 的情感分析、实体提取以及自定义分类模型的构建。对话式机器人构建 - 使用 Amazon Lex 和 Polly 实现自然的会话界面讲解利用 Amazon Lex 和 Amazon Polly 构建对话式机器人的方法。文档文本提取 - 通过 Amazon Textract 和 Comprehend 实现智能文档处理解说通过 Amazon Textract 从文档中自动提取文本、表格和表单数据，以及与 Comprehend 联动实现的自然语言处理集成。介绍从发票处理到合同分析的实践用例。

相似的文章与服务

Amazon Forecast 的需求预测 - 停止新用户受理、迁移到 SageMaker Canvas 以及时间序列预测的机制Amazon Forecast 已于 2024 年 7 月 29 日停止受理新用户（现有用户可继续使用）。本文讲解迁移到官方承接方案 SageMaker Canvas 的时间序列预测，以及 Forecast 的模型构建 / 概率预测 / 计费结构。Amazon Forecast使用机器学习进行时间序列数据预测的全托管服务Amazon SageMaker覆盖机器学习全生命周期的全托管平台，从数据准备、模型训练到部署和监控提供一站式支持用 Amazon SageMaker 构建 ML 平台 - 从模型构建到部署介绍从 Studio 开发到托管 Spot 训练、Pipelines 实现 MLOps、Model Monitor 数据漂移检测，整合 ML 全生命周期的方法。