创建和发布机器学习模型

假装您拥有在线零售网站。 当您的客户在您的零售网站上购物时，您希望向他们提供个性化的产品建议，以展示您的业务优惠的各种其他产品。 在您网站的存在期间，您不断收集客户数据，并希望以某种方式利用这些数据生成个性化的产品推荐。

Adobe Experience Platform Data Science Workspace 借助预建的产品Recommendations菜谱，提供实现您 目标的方法。请按照本教程，了解如何访问和了解您的零售数据、创建和优化机器学习模型以及在Data Science Workspace中生成洞察。

本教程介绍了Data Science Workspace的工作流，并介绍了创建机器学习模型的以下步骤：

1. 准备数据
2. 创作模型
3. 培训和评估您的模型
4. 操作模型

入门指南

在开始本教程之前，您必须具有以下先决条件：

• 访问Adobe Experience Platform。 如果您无权访问Experience Platform中的IMS组织，请在继续操作前与系统管理员联系。

• Enablement Assets。 请联系您的客户代表，为您提供以下项目。

  • Recommendations菜谱
  • Recommendations输入数据集
  • Recommendations输入模式
  • Recommendations输出数据集
  • Recommendations产出模式
  • 黄金数据集postValues
  • 黄金数据集模式

• 从Adobe公共 Git 存储库下载三个必需的Jupyter Notebook文件，这些文件将用于演示Data Science Workspace中的JupyterLab工作流。

• 对本教程中使用的下列主要概念的有效理解：

  • Experience Data Model:由Adobe领导的标准化工作，为客户体验管理定 Profile 义标准模式，如和ExperienceEvent。
  • 数据集：实际数据的存储和管理结构。 XDM模式的物理实例化实例。
  • 批：数据集由批量组成。 批是在一段时间内收集的一组数据，并作为单个单元一起处理。
  • JupyterLab: JupyterLab 是一个面向Project的开放源码、基于web的界 Jupyter 面，并紧密集成到 Experience Platform中

准备数据

要创建能够向客户提供个性化产品建议的机器学习模型，必须分析您网站上先前的客户购买情况。 本节探讨如何通过Adobe Analytics将此数据引入Platform，以及如何将该数据转换为功能数据集以供机器学习模型使用。

浏览数据并了解模式

1. 登录到Adobe Experience Platform并单击​数据集​以列表所有现有数据集并选择要浏览的数据集。 在这种情况下，Analytics数据集​Golden Data Set postValues。
   
2. 选择右上角附近的​预览数据集​检查示例记录，然后单击​关闭。
   
3. 选择右边栏中模式下的链接以视图数据集的模式，然后返回数据集详细信息页面。”
   

其他数据集已预先填充了批，以便进行预览。 您可以重复上述步骤来视图这些数据集。

创作您的型号

Data Science Workspace生命周期的第二个组件涉及创作方法和模型。 产品Recommendations处方旨在通过利用过去的购买数据和机器学习大规模生成产品推荐。

菜谱是模型的基础，因为它们包含机器学习算法和用于解决特定问题的逻辑。 更重要的是，菜谱使您能够在整个组织内实现机器学习的大众化，使其他用户能够访问针对不同用例的模型，而无需编写任何代码。

浏览产品Recommendations秘方

1. 在Adobe Experience Platform中，从左侧导航列导航到​模型，然后单击顶部的​方法​以视图组织的可用方法列表。
   
2. 单击提供的​Recommendations菜谱​名称，找到并打开它。
   
3. 在右边栏中，单击​Recommendations输入模式​以视图为菜谱通电的模式。 模式字段“itemId”和“userId”对应于该客户在特定时间(timestamp)购买的产品(interactionType)。 按照相同的步骤查看​Recommendations输出模式​的字段。
   

您现在已查看了“产品Recommendations处方”要求的输入和输出模式。 您现在可以继续阅读下一节，了解如何创建、培训和评估产品Recommendations模型。

培训并评估您的型号

现在您的数据已准备就绪，菜谱已经可供使用，您可以创建、培训和评估您的机器学习模型。

创建模型

模型是处方的一个实例，使您能够大规模地对数据进行培训和评分。

1. 在Adobe Experience Platform中，从左侧导航列导航到​模型，然后单击页面顶部的​方法​以显示您组织的所有可用方法的列表。
   
2. 通过单击菜谱的名称，输入菜谱的概述页，找到并打开提供的​Recommendations菜谱。 单击​从中心（如果没有现有模型）或从“处方概述”页的右上角创建模型。
   
3. 显示培训的可用输入数据集列表，选择​Recommendations输入数据集​并单击​下一步。
   
4. 提供模型的名称，例如“产品Recommendations模型”。 此时会列出模型的可用配置，其中包含模型的默认培训和评分行为的设置。 由于这些配置特定于您的组织，因此无需进行任何更改。 查看配置并单击​完成。
   
5. 模型现已创建，新生成的培训运行中将显示模型的​概述页。 默认情况下，创建模型时会生成培训运行。
   

您可以选择等待培训运行完成，或在下一节中继续创建新的培训运行。

使用自定义超参数训练模型

1. 在​模型概述​页面上，单击右上角附近的​培训​以创建新的培训运行。 选择创建模型时使用的同一输入数据集，然后单击​Next。
   

2. 将显示​配置​页。 您可以在此配置培训运行的“num_recommendations”值，也称为超级参数。 经过训练和优化的模型将根据训练结果使用性能最佳的超参数。

   无法学习超参数，因此必须在进行培训之前分配超参数。 调整超参数可能会改变训练模型的精度。 由于优化模型是一个迭代过程，因此在获得满意的评估之前可能需要多次培训运行。

   小贴士

   将​num_recommendations​设置为10。

   

3. 新培训运行完成后，模型评估图表上将显示一个额外的数据点，这可能需要几分钟时间。
   

评估模型

每次培训运行完成时，您都可以视图生成的评估指标，以确定模型的执行情况。

1. 单击培训运行，查看每个已完成培训运行的评估指标（精确度和召回率）。
2. 浏览为每个评估指标提供的信息。 这些指标越高，模型执行得越好。
   
3. 您可以在右侧边栏上查看用于每个培训运行的数据集、模式和配置参数。
4. 导航回“模型”页，通过观察培训的评估指标确定运行效果最好的培训。

操作模型

数据科学工作流程的最后一步是操作模型，以便从数据存储中得分和使用洞察。

评分和生成洞察

1. 在产品推荐“模型​概述”页面上，单击性能最佳的培训运行的名称，其中具有最高的召回率和精确度值。
2. 在培训运行详细信息页面的右上角，单击​得分。
3. 选择​Recommendations输入数据集​作为评分输入数据集，该数据集与您创建模型并执行其培训运行时使用的数据集相同。 然后，单击​下一步。
   
4. 选择​Recommendations输出数据集​作为评分输出数据集。 评分结果将作为批处理存储在此数据集中。
   
5. 查看评分配置。 这些参数包含先前选择的输入和输出数据集以及相应的模式。 单击​完成​开始计分运行。 运行可能需要几分钟才能完成。
   

视图洞察

评分运行成功完成后，您将能够预览结果并视图生成的洞察。

1. 在评分运行页面上，单击已完成的评分运行，然后单击右边栏上的​预览评分结果数据集。
   
2. 在预览表中，每行包含针对特定客户的产品推荐，分别标记为推荐和userId。 由于示例屏幕截图中的num_recommendations超参数设置为10，因此每行推荐最多可包含10个产品标识，用数字符号(#)分隔。
   

后续步骤

做得好，您已成功生成产品推荐！

本教程向您介绍了Data Science Workspace的工作流程，演示如何通过机器学习将未经处理的原始数据转换为有用的信息。 要进一步了解如何使用Data Science Workspace，请继续阅读有关创建零售销售模式和数据集](./create-retails-sales-dataset.md)的下一个指南。[