编辑导语：作为一款机器学习平台，Amazon SageMaker Canvas是否真的为数据分析师、业务分析师等岗位提供了更加智能化的数据分析路径？本篇文章里，作者就对这款0代码机器学习智能工具做了体验测评，一起来看。

身边有很多写SQL很厉害的数据分析人员，数据治理好了、对数据仓库、业务需求都很熟悉，因为对机器学习算法、数据挖掘模型不是很熟悉，没法独立产出更高阶的分析结果。

哪怕厉害的分析师自己花费九牛二虎之力，做出了模型，还要对模型不断地调优，一趟操作下来，也累得够呛。

能否在没有算法工程师支持的情况下，做模型训练和特征识别，快速调整策略呢？

最近体验了 Amazon SageMaker Canvas 这样一款人人自助式机器学习工具，我找到了答案。

1. 数据集选择和介绍

笔者使用了Kaggle的公开的银行数据集。

包含了14个特征：序号、客户ID、名字、信用分、地区、性别、年龄、保有期、余额、购买的产品数量、是否有信用卡、是否活跃用户、固定工资、是否正在从银行中取钱。

其中，需要构建的预测模型是：是否将会从银行中取出钱。

基于该数据集，笔者完整地体验了 Amazon SageMaker Canvas 数据集管理、建模、预测的流程。

2. 导入数据和预览

在导入了数据集之后，系统就给了一些特征提示。

也可以在此处对特征值进行初步的筛选，缺失值、类型不匹配、唯一值等，还可以初步判断特征和目标特征之间的线性相关关系、影响因子。

给出就给用户一些特征权重的提示，能够快速地调整选中的特征。

比如一些非关键特征：Surname、CustomerId，就被我去掉了。这样，也适当减少不必要的计算量，提高模型构建速度。

3. 快速构建和标准构建

系统提供了两种构建模式：标准模式、快速模式。

快速构建模型模式，模型构建速度更快，精确度则要低一些。标准模式则反之，模型构建耗时更多，精准度则要高一些。