AWS介绍使用Amazon SageMaker Canvas对Snowflake数据执行准备、转换和模型训练的无代码流程。
用户可以在Canvas中加载Snowflake数据集，使用Data Wrangler完成可视化数据转换，并选择生成预测任务。该流程覆盖回归、分类和时间序列预测等机器学习问题。
AWS文章还说明将预测结果发送至Amazon Quick Sight前所需的区域、IAM角色、S3存储桶和用户权限配置。具体数据集、特征处理和模型参数由使用方设置。
来源：AWS Machine Learning Blog，发布时间：2026年8月20日。
Canvas中的可视化转换降低了配置门槛，但特征工程的业务含义仍由使用者决定。处理缺失值、类别变量和异常值时，应记录采用的规则，避免把未来才能知道的信息作为训练特征。对于预测任务，先确认目标列没有泄漏结果本身或结果发生之后的数据。
选择回归、分类或时间序列预测，应从业务问题和标签形态出发，而不是先看哪个按钮最容易运行。划分训练与测试数据时，若记录存在时间顺序或同一客户多条相关记录，随机拆分可能让相近样本同时出现在两侧，导致模型看似准确但无法泛化。
训练结束后至少检查基线指标、误差较大的样本和不同群体的表现，再决定是否把结果送入报表。使用者还应保存数据版本、转换步骤和模型配置，让同事能够复现结果。系列第一部分讲Snowflake连接，第三部分介绍把预测结果呈现到Quick Sight。
上一篇：Snowflake环境配置；下一篇：用Quick Sight可视化预测结果。
