以下指南介绍了创建和发布机器学习模型所需的步骤。 每个部分都包含您要执行的操作的描述,以及指向UI和API文档的链接,以执行所述步骤。
在启动本教程之前,您必须满足以下先决条件:
访问 Adobe Experience Platform. 如果您在 Experience Platform,请在继续操作之前与系统管理员联系。
所有数据科学工作区教程都使用Luma倾向模型。 为了跟进,您必须已创建 Luma倾向性模型模式和数据集.
登录到 Adobe Experience Platform 选择 数据集 列出所有现有数据集,并选择要浏览的数据集。 在这种情况下,您应选择 Luma Web数据 数据集。
此时会打开数据集活动页面,其中列出了与您的数据集相关的信息。 您可以选择 预览数据集 在右上方附近以检查示例记录。 您还可以查看选定数据集的架构。
选择右边栏中的架构链接。 出现一个弹出窗口,选择下方的链接 架构名称 在新选项卡中打开架构。
您可以使用提供的探索性数据分析(EDA)笔记本进一步探索数据。 此笔记本可用于帮助了解Luma数据中的模式、检查数据健全性,以及汇总用于预测倾向模型的相关数据。 要了解有关探索性数据分析的更多信息,请访问 EDA文档.
的主要组件 Data Science Workspace 生命周期涉及创作方法和模型。 Luma倾向模型旨在生成关于客户是否具有从Luma购买产品的高倾向的预测。
要创建Luma倾向模型,请使用方法生成器模板。 配方是模型的基础,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,各种方法使您能够在整个组织内实现机器学习的大众化,使其他用户能够在不编写任何代码的情况下访问不同用例的模型。
关注 使用JupyterLab Notebooks创建模型 教程创建在后续教程中使用的Luma倾向模型方法。
如果要导入并打包一个方法以在Data Science Workspace中使用,则必须将源文件打包到存档文件中。 关注 将源文件打包到方法中 教程。 本教程将向您展示如何将源文件打包到方法中,这是将方法导入数据科学工作区的先决条件步骤。 教程完成后,您将在Azure容器注册表中获得Docker图像,以及相应的图像URL,换言之,即存档文件。
此存档文件可用于在数据科学工作区中通过使用 UI工作流程 或 API工作流.
现在,您的数据已准备就绪并且方法已准备就绪,您便能够进一步创建、培训和评估机器学习模型。 在使用方法生成器时,您应该已经对模型进行了培训、评分和评估,然后才能将其打包到方法中。
通过数据科学工作区UI和API,您可以将方法作为模型发布。 此外,您还可以进一步微调模型的特定方面,如添加、删除和更改超参数。
要了解有关使用UI创建模型的更多信息,请访问培训并评估数据科学工作区中的模型 UI教程 或 API教程. 本教程提供了有关如何创建、训练和更新超参数以优化模型的示例。
无法学习超参数,因此必须在培训运行之前分配超参数。 调整超参数可能会改变训练模型的准确度。 由于优化模型是一个迭代过程,因此可能需要多次训练运行才能获得满意的评价。
创建和发布模型的下一步是操作您的模型,以便对数据湖和实时客户资料中的分析进行评分和使用分析。
在数据科学工作区中,通过将输入数据输入到现有的训练模型中即可获得评分。 然后,将评分结果存储并作为新批次在指定的输出数据集中查看。
要了解如何对模型进行评分,请访问模型的得分 UI教程 或 API教程.
数据科学工作区允许您将培训的模型作为服务发布。 这样,IMS组织内的用户便可以对数据进行评分,而无需自行创建模型。
要了解如何将模型作为服务发布,请访问 UI教程 或 API教程.
将模型作为服务发布后,您可以为机器学习服务设置计划评分和培训运行。 自动化培训和评分流程有助于通过跟踪数据中的模式,随时保持和提高服务的效率。 访问 在Data Science Workspace UI中计划模型 教程。
您只能从UI计划一个模型,以便进行自动培训和评分。
Adobe Experience Platform Data Science Workspace 提供用于创建、评估和利用机器学习模型生成数据预测和分析的工具和资源。 将机器学习分析引入 Profile启用的数据集,该数据也被摄取为 Profile 随后可使用 Adobe Experience Platform Segmentation Service.
在摄取配置文件和时间系列数据时,实时客户配置文件会自动决定通过称为流分段的持续过程,将数据与现有数据合并并更新并集视图,从区段中包含或排除该数据。 因此,您可以即时执行计算并做出决策,在客户与您的品牌进行交互时为客户提供增强的个性化体验。
请访问 利用机器学习洞察扩充实时客户档案 以进一步了解如何利用机器学习分析。