Trainieren und Bewerten eines Modells in der Data Science Workspace-Benutzeroberfläche

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

In Adobe Experience Platform Data Science Workspace können Sie ein Modell für maschinelles Lernen einrichten, indem Sie ein vorhandenes Rezept einbinden, das für den Zweck des Modells geeignet ist. Anschließend wird das Modell trainiert und ausgewertet, um seine Effizienz und Wirksamkeit zu erhöhen; dazu werden die entsprechenden Hyperparameter fein abgestimmt. Rezepte sind wiederverwendbar; mit einem Rezept können also verschiedene Modelle erstellt und auf individuelle Zwecke zugeschnitten werden.

Dieses Tutorial leitet Sie durch die Schritte zum Erstellen, Trainieren und Auswerten eines Modells.

Erste Schritte

Um dieses Tutorial abzuschließen, benötigen Sie Zugriff auf Experience Platform. Wenn Sie in Experience Platform keinen Zugriff auf eine Organisation haben, wenden Sie sich an Ihren Systemadministrator, bevor Sie fortfahren.

Das Tutorial setzt ein vorhandenes Rezept voraus. Wenn Sie kein Rezept haben, befolgen Sie die Anweisungen im Tutorial zum Importieren eines gepackten Rezepts in der UI, bevor Sie fortfahren.

Modell erstellen

Wählen Sie in Experience Platform die Registerkarte Modelle im linken Navigationsbereich und anschließend die Registerkarte Durchsuchen aus, um Ihre vorhandenen Modelle anzuzeigen. Wählen Sie Modell erstellen oben rechts auf der Seite aus, um mit der Modellerstellung zu beginnen.

Durchsuchen Sie die Liste der vorhandenen Rezepte, suchen Sie das Rezept, das zum Erstellen des Modells verwendet werden soll, und wählen Sie "".

Wählen Sie einen entsprechenden Eingabedatensatz aus und klicken Sie auf Weiter. Dadurch wird der standardmäßige Eingabetraining-Datensatz für das Modell festgelegt.

Geben Sie einen Namen für das Modell ein und überprüfen Sie die standardmäßigen Modellkonfigurationen. Die Standardkonfigurationen wurden bei der Rezepterstellung angewendet. Überprüfen und ändern Sie die Konfigurationswerte durch Doppelklicken auf die Werte.

Um einen neuen Satz von Konfigurationen bereitzustellen, wählen Sie Neue Konfiguration hochladen und ziehen Sie eine JSON-Datei mit Modellkonfigurationen in das Browser-Fenster. Wählen Sie Beenden, um das Modell zu erstellen.

NOTE
Konfigurationen sind eindeutig und spezifisch für ihr beabsichtigtes Rezept. Dies bedeutet, dass Konfigurationen für das Rezept für Einzelhandelsumsätze für das Produkt "Recommendations" nicht funktionieren. Eine Liste der Rezeptkonfigurationen für „Einzelhandelsumsätze“ finden Sie im Abschnitt Referenz.

Trainings-Lauf erstellen

Wählen Sie in Experience Platform die Registerkarte Modelle im linken Navigationsbereich und anschließend die Registerkarte Durchsuchen aus, um Ihre vorhandenen Modelle anzuzeigen. Suchen Sie den Hyperlink, der mit dem Namen des Modells verbunden ist, das Sie trainieren möchten, und wählen Sie ihn aus.

Alle vorhandenen Trainings-Läufe werden mit ihrem aktuellen Trainings-Status aufgeführt. Für Modelle, die mit der Data Science Workspace-Benutzeroberfläche erstellt wurden, wird automatisch ein Trainings-Durchgang generiert und mit den Standardkonfigurationen und dem eingegebenen Trainings-Datensatz ausgeführt.

Erstellen Sie einen neuen Trainings-Lauf, indem Trainieren oben rechts auf der Seite Modellübersicht auswählen.

Wählen Sie den Trainings-Eingabedatensatz für den Trainings-Lauf und klicken Sie dann auf Weiter.

Bei der Modellerstellung angegebene Standardkonfigurationen werden angezeigt; ändern Sie sie nach Bedarf, indem Sie auf die Werte doppelklicken. Wählen Beenden, um den Trainings-Lauf zu erstellen und auszuführen.

NOTE
Konfigurationen sind eindeutig und spezifisch für ihr beabsichtigtes Rezept. Dies bedeutet, dass Konfigurationen für das Rezept für Einzelhandelsumsätze für das Produkt "Recommendations" nicht funktionieren. Eine Liste der Rezeptkonfigurationen für „Einzelhandelsumsätze“ finden Sie im Abschnitt Referenz.

Modell auswerten

Wählen Sie in Experience Platform die Registerkarte Modelle im linken Navigationsbereich und anschließend die Registerkarte Durchsuchen aus, um Ihre vorhandenen Modelle anzuzeigen. Suchen Sie den Hyperlink, der mit dem Namen des Modells verbunden ist, das Sie auswerten möchten, und wählen Sie ihn aus.

Modell auswählen

Alle vorhandenen Trainings-Läufe werden mit ihrem aktuellen Trainings-Status aufgeführt. Bei mehreren abgeschlossenen Trainings-Durchgängen können Bewertungsmetriken über verschiedene Trainings-Durchgänge hinweg im Modellevaluierungsdiagramm verglichen werden. Wählen Sie mithilfe der Dropdown-Liste über dem Diagramm eine Auswertungsmetrik aus.

Die Metrik „Mean Absolute Percent Error (MAPE)“ drückt die Genauigkeit als Fehlerprozentwert aus. So lässt sich das am besten geeignete Experiment ermitteln. Dabei gilt: Je niedriger der MAPE-Wert, desto besser.

Überblick über Trainings-Läufe

Die Metrik „Präzision“ beschreibt den Prozentwert relevanter Instanzen im Vergleich zu den insgesamt abgerufenen Instanzen. Präzision kann als Wahrscheinlichkeit verstanden werden, mit der ein zufällig ausgewähltes Ergebnis richtig ist.

Ausführen mehrerer Ausführungen

Die Auswahl eines bestimmten Trainings-Durchgangs liefert die Details dieses Durchgangs, indem die Auswertungsseite geöffnet wird. Das können Sie bereits vor Abschluss des Laufs tun. Auf der Seite „Evaluierung“ können Sie andere Auswertungsmetriken, Konfigurationsparameter und Visualisierungen sehen, die für den Trainings-Lauf spezifisch sind.

Vorschau der Protokolle

Außerdem können Sie Aktivitätsprotokolle herunterladen, um die Details zum Lauf anzuzeigen. Protokolle sind besonders bei fehlgeschlagenen Läufen nützlich: Mit ihrer Hilfe können Sie herausfinden, was falsch gelaufen ist.

Aktivitätsprotokolle

Hyperparameter können nicht trainiert werden und ein Modell muss durch Testen verschiedener Kombinationen von Hyperparametern optimiert werden. Wiederholen Sie dieses Trainings- und Auswertungsverfahren, bis Sie zu einem optimierten Modell gelangt sind.

Nächste Schritte

Dieses Tutorial führte Sie durch die Erstellung, Schulung und Bewertung eines Modells in Data Science Workspace. Sobald Sie ein optimiertes Modell erreicht haben, können Sie das trainierte Modell nutzen, um Einblicke zu generieren; folgen Sie dazu dem Tutorial Modell in der UI bewerten.

Referenz reference

Konfigurationen für das Rezept „Einzelhandelsumsätze“

Hyperparameter bestimmen über das Trainings-Verhalten des Modells. Eine Änderung von Hyperparametern wirkt sich auf die Genauigkeit und Präzision des Modells aus:

Hyperparameter
Beschreibung
Empfohlener Bereich
learning_rate
Die Lernrate verkleinert den Beitrag der einzelnen Baumstrukturen um learning_rate. Dabei gibt es einen Kompromiss zwischen learning_rate und n_estimators.
0,1
n_estimators
Die Zahl der auszuführenden Boosting-Phasen. Gradient Boosting ist relativ stabil, was Überanpassung angeht, sodass eine große Zahl in der Regel bessere Ergebnisse liefert.
100
max_depth
Maximale Tiefe der einzelnen Regressionsschätzer. Die maximale Tiefe begrenzt die Zahl der Knoten in der Baumstruktur. Passen Sie den Parameter für optimale Performance an; der optimale Wert hängt von der Interaktion der Eingabevariablen ab.
3

Zusätzliche Parameter bestimmen die technischen Eigenschaften des Modells:

Parameterschlüssel
Typ
Beschreibung
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 über einen ordnungsgemäßen Namespace verfügen und in Ihrer Organisation 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.
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.
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9