Importieren eines gepackten Rezepts in die Benutzeroberfläche von Data Science Workspace

NOTE
Data Science Workspace ist nicht mehr erhältlich.
Diese Dokumentation richtet sich an Bestandskunden mit vorherigen Berechtigungen für Data Science Workspace.

Dieses Tutorial bietet Einblicke in das Konfigurieren und Importieren eines gepackten Rezepts mit dem bereitgestellten Beispiel für Einzelhandelsumsätze. Am Ende dieses Tutorials können Sie ein Modell in Adobe Experience Platform Data Science Workspace erstellen, trainieren und bewerten.

Voraussetzungen

Für dieses Tutorial ist ein gepacktes Rezept in Form einer Docker-Bild-URL erforderlich. Weiterführende Informationen finden Sie im Tutorial zum Verpacken von Quelldateien in einem Rezept.

Workflow in der Benutzeroberfläche

Für das Importieren eines gepackten Rezepts in Data Science Workspace sind spezifische Rezeptkonfigurationen erforderlich, die in einer einzigen JSON-Datei (JavaScript Object Notation) kompiliert sind. Diese Kompilierung von Rezeptkonfigurationen wird als Konfigurationsdatei bezeichnet. Ein gepacktes Rezept mit einem bestimmten Satz von Konfigurationen wird als Rezeptinstanz bezeichnet. Ein Rezept kann verwendet werden, um viele Rezeptinstanzen in Data Science Workspace zu erstellen.

Der Workflow zum Importieren eines gepackten Rezepts umfasst folgende Schritte:

Rezept konfigurieren configure

Jede Rezeptinstanz in Data Science Workspace wird mit einer Reihe von Konfigurationen begleitet, die die Rezeptinstanz an einen bestimmten Anwendungsfall anpassen. Konfigurationsdateien definieren das standardmäßige Trainings- und Scoring-Verhalten eines mit dieser Rezeptinstanz erstellten Modells.

NOTE
Konfigurationsdateien sind rezept- und fallspezifisch.

Im Folgenden finden Sie eine Beispielkonfigurationsdatei mit standardmäßigem Trainings- und Scoring-Verhalten für das Rezept „Einzelhandelsumsätze“.

[
    {
        "name": "train",
        "parameters": [
            {
                "key": "learning_rate",
                "value": "0.1"
            },
            {
                "key": "n_estimators",
                "value": "100"
            },
            {
                "key": "max_depth",
                "value": "3"
            },
            {
                "key": "ACP_DSW_INPUT_FEATURES",
                "value": "date,store,storeType,storeSize,temperature,regionalFuelPrice,markdown,cpi,unemployment,isHoliday"
            },
            {
                "key": "ACP_DSW_TARGET_FEATURES",
                "value": "weeklySales"
            },
            {
                "key": "ACP_DSW_FEATURE_UPDATE_SUPPORT",
                "value": false
            },
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key": "ACP_DSW_TRAINING_XDM_SCHEMA",
                "value": "{SEE BELOW FOR DETAILS}"
            },
            {
                "key": "evaluation.labelColumn",
                "value": "weeklySalesAhead"
            },
            {
                "key": "evaluation.metrics",
                "value": "MAPE,MAE,RMSE,MASE"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key":"ACP_DSW_SCORING_RESULTS_XDM_SCHEMA",
                "value":"{SEE BELOW FOR DETAILS}"
            }
        ]
    }
]
Parameterschlüssel
Typ
Beschreibung
learning_rate
Zahl
Skalar für graduelle Multiplikation.
n_estimators
Zahl
Zahl der Bäume im Wald für Random Forest Classifier.
max_depth
Zahl
Maximale Tiefe eines Baums in Random Forest Classifier.
ACP_DSW_INPUT_FEATURES
Zeichenfolge
Liste mit kommagetrennten Eingabeschemaattributen.
ACP_DSW_TARGET_FEATURES
Zeichenfolge
Liste mit kommagetrennten Ausgabeschemaattributen.
ACP_DSW_FEATURE_UPDATE_SUPPORT
Boolesch
Legt fest, ob Eingabe- und Ausgabefunktionen geändert werden können.
tenantId
Zeichenfolge
Diese ID stellt sicher, dass die von Ihnen erstellten Ressourcen den richtigen Namespace aufweisen und in Ihrem Unternehmen enthalten sind. Gehen Sie wie folgt vor, um Ihre Mandantenkennung zu suchen.
ACP_DSW_TRAINING_XDM_SCHEMA
Zeichenfolge
Das zum Trainieren eines Modells verwendete Eingabeschema. Lassen Sie es beim Importieren in der Benutzeroberfläche leer; ersetzen Sie es beim Importieren mit der API durch die Trainings-SchemaID.
evaluation.labelColumn
Zeichenfolge
Spaltenbezeichnung für Auswertungsvisualisierungen.
evaluation.metrics
Zeichenfolge
Kommagetrennte Liste mit Auswertungsmetriken, die zur Auswertung eines Modells verwendet werden.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
Zeichenfolge
Das zum Scoring eines Modells verwendete Ausgabeschema. Lassen Sie es beim Importieren in der Benutzeroberfläche leer; ersetzen Sie es beim Importieren mit der API durch die Scoring-SchemaID.

Für diese Anleitung können Sie die standardmäßigen Konfigurationsdateien für das Rezept "Einzelhandelsumsätze"in der Data Science Workspace-Referenz so lassen, wie sie sind.

Docker-basiertes Rezept importieren - Python python

Navigieren Sie zunächst zu und wählen Sie Workflows oben links in der Benutzeroberfläche von Platform aus. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Konfigurieren für den Workflow Rezept importieren wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann oben rechts Weiter aus.

Workflow konfigurieren

NOTE
Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit Python-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL, die dem mit Python erstellten gepackten Rezept entspricht, in das Feld Source-URL ein. Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Wählen Sie Python in der Dropdown-Liste Laufzeit und Klassifizierung in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie oben rechts Weiter aus, um mit Schemas verwalten fortzufahren.

NOTE
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend die Eingabe- und Ausgabeschemas für Einzelhandelsumsätze im Abschnitt Schemas verwalten aus. Sie wurden mithilfe des bereitgestellten Bootstrap-Skripts im Tutorial zum Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Wählen Sie im Abschnitt Funktionsverwaltung die Option für die Mandantenkennung im Schema-Viewer aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Weiter aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Beenden aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren - R r

Navigieren Sie zunächst zu und wählen Sie Workflows oben links in der Benutzeroberfläche von Platform aus. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Konfigurieren für den Workflow Rezept importieren wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann oben rechts Weiter aus.

Workflow konfigurieren

NOTE
Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit R-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL, die dem mit R-Quelldateien erstellten gepackten Rezept entspricht, in das Feld Source-URL ein. Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Wählen Sie R in der Dropdown-Liste Laufzeit und Klassifizierung in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie oben rechts Weiter aus, um mit Schemas verwalten fortzufahren.

NOTE
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend die Eingabe- und Ausgabeschemas für Einzelhandelsumsätze im Abschnitt Schemas verwalten aus. Sie wurden mithilfe des bereitgestellten Bootstrap-Skripts im Tutorial zum Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Wählen Sie im Abschnitt Funktionsverwaltung die Option für die Mandantenkennung im Schema-Viewer aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Weiter aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Beenden aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren - PySpark pyspark

Navigieren Sie zunächst zu und wählen Sie Workflows oben links in der Benutzeroberfläche von Platform aus. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Konfigurieren für den Workflow Rezept importieren wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann oben rechts Weiter aus, um fortzufahren.

Workflow konfigurieren

NOTE
Im Tutorial Quelldateien in ein Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit PySpark-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL, die dem mit PySpark-Quelldateien erstellten gepackten Rezept entspricht, in das Feld Source-URL ein. Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Wählen Sie PySpark in der Dropdown-Liste Runtime aus. Sobald die PySpark-Laufzeitumgebung ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker eingefügt. Wählen Sie anschließend Klassifizierung in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie oben rechts Weiter aus, um mit Schemas verwalten fortzufahren.

NOTE
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend mithilfe des Selektors Schemas verwalten die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze aus. Die Schemas wurden mit dem bereitgestellten Bootstrap-Skript im Tutorial Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Schemas verwalten

Wählen Sie im Abschnitt Funktionsverwaltung die Option für die Mandantenkennung im Schema-Viewer aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Weiter aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Beenden aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren - Scala scala

Navigieren Sie zunächst zu und wählen Sie Workflows oben links in der Benutzeroberfläche von Platform aus. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Konfigurieren für den Workflow Rezept importieren wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann oben rechts Weiter aus, um fortzufahren.

Workflow konfigurieren

NOTE
Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit Scala-Quelldateien (Spark) eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL, die dem mit Scala-Quelldateien erstellten gepackten Rezept entspricht, in das Feld Source-URL ein. Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder über den Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Wählen Sie Spark in der Dropdown-Liste Laufzeit aus. Sobald die Spark -Laufzeitumgebung ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker eingefügt. Wählen Sie als Nächstes Regression aus der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie oben rechts Weiter aus, um mit Schemas verwalten fortzufahren.

NOTE
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend mithilfe des Selektors Schemas verwalten die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze aus. Die Schemas wurden mit dem bereitgestellten Bootstrap-Skript im Tutorial Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Schemas verwalten

Wählen Sie im Abschnitt Funktionsverwaltung die Option für die Mandantenkennung im Schema-Viewer aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie für diese Anleitung "weeklySales"als Target-Funktion und alles andere als als Eingabefunktion fest. Wählen Sie Weiter aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Beenden aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Nächste Schritte next-steps

Dieses Tutorial bietet Einblicke in die Konfiguration und den Import eines Rezepts in Data Science Workspace. Jetzt können Sie mit dem neu erstellten Rezept ein Modell erstellen, trainieren und auswerten.

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9