数据挖掘中的预测分析利用已发现的数据模式预测未来的结果。为此，将数据输入到机器学习模型中，机器学习模型根据他们学到的知识做出预测，帮助企业支持他们的决策。例如，金融公司使用预测分析来预测市场趋势、检测欺诈和评测信贷风险。
Amazon SageMaker Canvas 是一款可视化开发工具，让您可以大规模训练、测试和部署预测模型。它提供对基础模型和自定义机器学习（ML）算法的访问权限，能够为各种使用案例生成准确的预测。
此外，您可以通过 Amazon Q 开发者版使用对话语言构建整个数据工作流程。这是一款生成式人工智能助手，让您能够用日常语言描述机器学习和数据分析任务。然后，该助手会将您的描述转换为查询、SQL 脚本、可行的步骤、代码建议等，帮助您更高效地使用 AI 和数据。
以下是您可以使用 Amazon SageMaker Canvas 构建和部署的模型，以实现预测分析。
分类
分类模型可以根据它们学到的特征为以前看不见的数据分配标签。例如，人工智能驱动的客户支持系统可以通过分析对话中的词语，将反馈归类为正面、负面或中性。Amazon SageMaker Canvas 支持各种问题类型的分类模型，包括文本分类、图像分类、异常检测和对象检测。
关联规则挖掘
关联规则挖掘（ARM）可发现数据点之间的关系，并可用于增强预测分析管道。例如，您可以使用 ARM 进行购物篮分析，找出哪些商品经常在超市一起购买。您可以借助 Amazon SageMaker 使用 Python 等框架创建自己的自定义 ARM 算法，并将其部署在 AWS 上的人工智能/机器学习工作流程中。
聚类
聚类通过将基于相似属性的数据分组在一起来间接支持预测分析。例如，您可以根据平均支出价值对客户进行聚类。然后，将细分客户用作预测模型中的特征之一。数据科学家通常使用 K 均值算法对数据进行聚类。Amazon SageMaker 使用了经修改的 K 均值算法版本，该算法可以产生更准确的结果并增强可扩展性。
异常检测
可以训练机器学习模型以检测数据模式中的异常值。例如，工厂利用预测模型来识别机器中的潜在故障。异常检测支持主动缓解措施，例如进行预防性维护以防止运营中断。
借助 Amazon SageMaker，您可以使用 Random Cut Forest 算法检测异常模式，该算法为数据分配低（正常）和高（异常）分数。