El SDK de creación de modelos le permite desarrollar fórmulas de aprendizaje automático personalizadas y tuberías de funciones que se pueden utilizar en Adobe Experience Platform Área de trabajo de ciencias de datos, proporcionando plantillas implementables en PySpark y Spark (Scala).
Este documento proporciona información sobre las distintas clases que se encuentran en el SDK de creación de modelos.
La clase DataLoader encapsula todo lo relacionado con la recuperación, filtrado y devolución de datos de entrada sin procesar. Algunos ejemplos de datos de entrada son los de capacitación, puntuación o ingeniería de funciones. Los cargadores de datos extienden la clase abstracta DataLoader
y deben anular el método abstracto load
.
PySpark
En la tabla siguiente se describen los métodos abstractos de una clase PySpark Data Loader:
Método y descripción | Parámetros |
---|---|
Carga y devolución de datos de plataforma como un DataFrame de Pandas |
|
Spark
En la tabla siguiente se describen los métodos abstractos de una clase Spark Data Loader:
Método y descripción | Parámetros |
---|---|
Carga y devolución de datos de plataforma como marco de datos |
|
En el ejemplo siguiente se recuperan Platform los datos por ID y se devuelve un DataFrame, donde el ID del conjunto de datos (datasetId
) es una propiedad definida en el archivo de configuración.
PySpark
# PySpark
from sdk.data_loader import DataLoader
class MyDataLoader(DataLoader):
"""
Implementation of DataLoader which loads a DataFrame and prepares data
"""
def load_dataset(config_properties, spark, task_id):
PLATFORM_SDK_PQS_PACKAGE = "com.adobe.platform.query"
PLATFORM_SDK_PQS_INTERACTIVE = "interactive"
# prepare variables
service_token = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_ML_TOKEN"))
user_token = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_TOKEN"))
org_id = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_ORG_ID"))
api_key = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_CLIENT_ID"))
dataset_id = str(config_properties.get(task_id))
# validate variables
for arg in ['service_token', 'user_token', 'org_id', 'dataset_id', 'api_key']:
if eval(arg) == 'None':
raise ValueError("%s is empty" % arg)
# load dataset through Spark session
query_options = get_query_options(spark.sparkContext)
pd = spark.read.format(PLATFORM_SDK_PQS_PACKAGE) \
.option(query_options.userToken(), user_token) \
.option(query_options.serviceToken(), service_token) \
.option(query_options.imsOrg(), org_id) \
.option(query_options.apiKey(), api_key) \
.option(query_options.mode(), PLATFORM_SDK_PQS_INTERACTIVE) \
.option(query_options.datasetId(), dataset_id) \
.load()
pd.show()
# return as DataFrame
return pd
Chispa (Scala)
// Spark
package com.adobe.platform.ml
import java.time.LocalDateTime
import com.adobe.platform.ml.config.ConfigProperties
import com.adobe.platform.query.QSOption
import org.apache.spark.ml.feature.StringIndexer
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.{StructType, TimestampType}
import org.apache.spark.sql.{DataFrame, SparkSession}
import org.apache.spark.sql.Column
/**
* Implementation of DataLoader which loads a DataFrame and prepares data
*/
class MyDataLoader extends DataLoader {
final val PLATFORM_SDK_PQS_PACKAGE: String = "com.adobe.platform.query"
final val PLATFORM_SDK_PQS_INTERACTIVE: String = "interactive"
final val PLATFORM_SDK_PQS_BATCH: String = "batch"
/**
*
* @param configProperties - Configuration Properties map
* @param sparkSession - SparkSession
* @return - DataFrame which is loaded for training
*/
def load_dataset(configProperties: ConfigProperties, sparkSession: SparkSession, taskId: String): DataFrame = {
require(configProperties != null)
require(sparkSession != null)
// Read the configs
val serviceToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ML_TOKEN", "").toString
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val dataSetId: String = configProperties.get(taskId).getOrElse("")
// Load the dataset
var df = sparkSession.read.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.serviceToken, serviceToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.mode, PLATFORM_SDK_PQS_INTERACTIVE)
.option(QSOption.datasetId, dataSetId)
.load()
df.show()
df
}
}
La clase DataSaver encapsula todo lo relacionado con el almacenamiento de datos de salida, incluidos los datos de puntuación o ingeniería de características. Los responsables de guardar datos amplían la clase abstracta DataSaver
y deben anular el método abstracto save
.
PySpark
En la tabla siguiente se describen los métodos abstractos de una clase PySpark Data Saver:
Método y descripción | Parámetros |
---|---|
Recibir datos de salida como marco de datos y almacenarlos en un conjunto de datos de plataforma |
|
Chispa (Scala)
En la tabla siguiente se describen los métodos abstractos de una clase Spark Data Saver:
Método y descripción | Parámetros |
---|---|
Recibir datos de salida como marco de datos y almacenarlos en un conjunto de datos de plataforma |
|
Para almacenar datos en un Platform conjunto de datos, las propiedades deben proporcionarse o definirse en el archivo de configuración:
Los siguientes ejemplos almacenan datos (prediction
) en un Platform conjunto de datos, donde la ID del conjunto de datos (datasetId
) y la ID del inquilino (tenantId
) son propiedades definidas dentro del archivo de configuración.
PySpark
# PySpark
from sdk.data_saver import DataSaver
from pyspark.sql.types import StringType, TimestampType
from pyspark.sql.functions import col, lit, struct
from .helper import *
class MyDataSaver(DataSaver):
"""
Implementation of DataSaver which stores a DataFrame to a Platform dataset
"""
def save(self, config_properties, prediction):
# Spark context
sparkContext = prediction._sc
# preliminary checks
if config_properties is None:
raise ValueError("config_properties parameter is null")
if prediction is None:
raise ValueError("prediction parameter is null")
if sparkContext is None:
raise ValueError("sparkContext parameter is null")
PLATFORM_SDK_PQS_PACKAGE = "com.adobe.platform.query"
# prepare variables
scored_dataset_id = str(config_properties.get("scoringResultsDataSetId"))
tenant_id = str(config_properties.get("tenant_id"))
timestamp = "2019-01-01 00:00:00"
service_token = str(sparkContext.getConf().get("ML_FRAMEWORK_IMS_ML_TOKEN"))
user_token = str(sparkContext.getConf().get("ML_FRAMEWORK_IMS_TOKEN"))
org_id = str(sparkContext.getConf().get("ML_FRAMEWORK_IMS_ORG_ID"))
api_key = str(sparkContext.getConf().get("ML_FRAMEWORK_IMS_CLIENT_ID"))
# validate variables
for arg in ['service_token', 'user_token', 'org_id', 'scored_dataset_id', 'api_key', 'tenant_id']:
if eval(arg) == 'None':
raise ValueError("%s is empty" % arg)
scored_df = prediction.withColumn("date", col("date").cast(StringType()))
scored_df = scored_df.withColumn(tenant_id, struct(col("date"), col("store"), col("prediction")))
scored_df = scored_df.withColumn("timestamp", lit(timestamp).cast(TimestampType()))
scored_df = scored_df.withColumn("_id", lit("empty"))
scored_df = scored_df.withColumn("eventType", lit("empty")
# store data into dataset
query_options = get_query_options(sparkContext)
scored_df.select(tenant_id, "_id", "eventType", "timestamp").write.format(PLATFORM_SDK_PQS_PACKAGE) \
.option(query_options.userToken(), user_token) \
.option(query_options.serviceToken(), service_token) \
.option(query_options.imsOrg(), org_id) \
.option(query_options.apiKey(), api_key) \
.option(query_options.datasetId(), scored_dataset_id) \
.save()
Chispa (Scala)
// Spark
package com.adobe.platform.ml
import com.adobe.platform.ml.config.ConfigProperties
import com.adobe.platform.ml.impl.Constants
import com.adobe.platform.ml.sdk.DataSaver
import com.adobe.platform.query.QSOption
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.TimestampType
/**
* Implementation of DataSaver which stores a DataFrame to a Platform dataset
*/
class ScoringDataSaver extends DataSaver {
final val PLATFORM_SDK_PQS_PACKAGE: String = "com.adobe.platform.query"
final val PLATFORM_SDK_PQS_BATCH: String = "batch"
/**
* Method that saves the scoring data into a dataframe
* @param configProperties - Configuration Properties map
* @param dataFrame - Dataframe with the scoring results
*/
override def save(configProperties: ConfigProperties, dataFrame: DataFrame): Unit = {
require(configProperties != null)
require(dataFrame != null)
val predictionColumn = configProperties.get(Constants.PREDICTION_COL).getOrElse(Constants.DEFAULT_PREDICTION)
val sparkSession = dataFrame.sparkSession
val serviceToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ML_TOKEN", "").toString
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val tenantId:String = configProperties.get("tenantId").getOrElse("")
val timestamp:String = "2019-01-01 00:00:00"
val scoringResultsDataSetId: String = configProperties.get("scoringResultsDataSetId").getOrElse("")
import sparkSession.implicits._
var df = dataFrame.withColumn("date", $"date".cast("String"))
var scored_df = df.withColumn(tenantId, struct(df("date"), df("store"), df(predictionColumn)))
scored_df = scored_df.withColumn("timestamp", lit(timestamp).cast(TimestampType))
scored_df = scored_df.withColumn("_id", lit("empty"))
scored_df = scored_df.withColumn("eventType", lit("empty"))
scored_df.select(tenantId, "_id", "eventType", "timestamp").write.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.serviceToken, serviceToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.datasetId, scoringResultsDataSetId)
.save()
}
}
La clase DatasetTransformer modifica y transforma la estructura de un conjunto de datos. El componente Sensei Machine Learning Runtime no requiere que se defina y se implementa según sus necesidades.
Con respecto a una canalización de funciones, los transformadores de conjuntos de datos se pueden utilizar de manera conjunta con una fábrica de canalizaciones de funciones para preparar datos para la ingeniería de funciones.
PySpark
La siguiente tabla describe los métodos de clase de una clase de transformador de conjuntos de datos PySpark:
Método y descripción | Parámetros |
---|---|
abstract Toma un conjunto de datos como entrada y genera un nuevo conjunto de datos derivado |
|
Chispa (Scala)
En la tabla siguiente se describen los métodos abstractos de una clase de transformador de Spark conjuntos de datos:
Método y descripción | Parámetros |
---|---|
Toma un conjunto de datos como entrada y genera un nuevo conjunto de datos derivado |
|
La clase FeaturePipelineFactory contiene algoritmos de extracción de funciones y define las etapas de una tubería de funciones de inicio a fin.
PySpark
En la tabla siguiente se describen los métodos de clase de PySpark FeaturePipelineFactory:
Método y descripción | Parámetros |
---|---|
abstract Crear y devolver una tubería de spark que contenga una serie de transformadores de chispa |
|
abstract Recuperar y devolver mapa de parámetros de las propiedades de configuración |
|
Chispa (Scala)
En la tabla siguiente se describen los métodos de clase de un Spark FeaturePipelineFactory:
Método y descripción | Parámetros |
---|---|
abstract Crear y devolver una canalización que contenga una serie de transformadores |
|
abstract Recuperar y devolver mapa de parámetros de las propiedades de configuración |
|
La clase PipelineFactory encapsula métodos y definiciones para la formación y puntuación de modelos, donde la lógica y los algoritmos de formación se definen en forma de Spark Canalización.
PySpark
En la tabla siguiente se describen los métodos de clase de PySpark PipelineFactory:
Método y descripción | Parámetros |
---|---|
abstract Crear y devolver una tubería de spark que contiene la lógica y el algoritmo para la formación y la puntuación de modelos |
|
abstract Devolver una canalización personalizada que contenga la lógica y el algoritmo para entrenar un modelo. Este método no es necesario si se utiliza una canalización de Spark |
|
abstract Puntuación mediante el modelo entrenado y devolución de los resultados |
|
abstract Recuperar y devolver mapa de parámetros de las propiedades de configuración |
|
Chispa (Scala)
En la tabla siguiente se describen los métodos de clase de un Spark PipelineFactory:
Método y descripción | Parámetros |
---|---|
abstract Crear y devolver una canalización que contenga la lógica y el algoritmo para la formación y la puntuación de modelos |
|
abstract Recuperar y devolver mapa de parámetros de las propiedades de configuración |
|
La clase MLEvaluator proporciona métodos para definir métricas de evaluación y determinar conjuntos de datos de prueba y formación.
PySpark
En la tabla siguiente se describen los métodos de clase de PySpark MLEvaluator:
Método y descripción | Parámetros |
---|---|
abstract Divide el conjunto de datos de entrada en subconjuntos de prueba y formación |
|
abstract Evalúa un modelo capacitado y devuelve los resultados de la evaluación |
|
Chispa (Scala)
En la tabla siguiente se describen los métodos de clase de un Spark valor MLE:
Método y descripción | Parámetros |
---|---|
abstract Divide el conjunto de datos de entrada en subconjuntos de prueba y formación |
|
abstract Evalúa un modelo capacitado y devuelve los resultados de la evaluación |
|