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 erstellen, trainieren und bewerten Data Science Workspace.
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.
Importieren eines gepackten Rezepts in Data Science Workspace erfordert spezifische Rezeptkonfigurationen, die in einer einzelnen 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.
Der Workflow zum Importieren eines gepackten Rezepts umfasst folgende Schritte:
Jede Rezeptinstanz in Data Science Workspace wird mit einer Reihe von Konfigurationen ergänzt, die die Rezeptinstanz an einen bestimmten Anwendungsfall anpassen. Konfigurationsdateien definieren das standardmäßige Trainings- und Scoring-Verhalten eines mit dieser Rezeptinstanz erstellten Modells.
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 Bewertungsvisualisierungen. |
evaluation.metrics |
Zeichenfolge | Kommagetrennte Liste mit Bewertungsmetriken, die zur Bewertung 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 Standardkonfigurationsdateien für das Rezept "Einzelhandelsumsätze"im Data Science Workspace Verweisen Sie auf ihre Art.
Beginnen durch Navigieren und Auswählen Workflows oben links im Platform Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und wählen Sie Launch.
Die Konfigurieren Seite für die Rezept importieren Workflow angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie Nächste in der oberen rechten Ecke.
Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit Python-Quelldateien eine Docker-URL bereitgestellt.
Sobald Sie auf dem Quelle auswählen Fügen Sie die Docker-URL ein, die dem gepackten Rezept entspricht, das mit Python Quelldateien in der Quell-URL -Feld. 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
. Auswählen Python im Laufzeit und Klassifizierung im Typ angezeigt. Nachdem alles ausgefüllt wurde, wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren Schemata verwalten.
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert.
Wählen Sie als Nächstes die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze im Abschnitt aus. Verwalten von Schemas, wurden sie mit dem bereitgestellten Bootstrap-Skript im Schema und Datensatz für Einzelhandelsumsätze erstellen Tutorial.
Unter dem Funktionsverwaltung Wählen Sie in der Schema-Ansicht Ihrer Mandantenkennung 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. Auswählen Nächste , 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. Auswählen Beenden , um das Rezept zu erstellen.
Fahren Sie mit dem Nächste Schritte , um zu erfahren, wie Sie ein Modell in Data Science Workspace unter Verwendung des neu erstellten Rezepts für Einzelhandelsumsätze.
Beginnen durch Navigieren und Auswählen Workflows oben links im Platform Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und wählen Sie Launch.
Die Konfigurieren Seite für die Rezept importieren Workflow angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie Nächste in der oberen rechten Ecke.
Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit R-Quelldateien eine Docker-URL bereitgestellt.
Sobald Sie auf dem Quelle auswählen Fügen Sie die Docker-URL, die dem mit R-Quelldateien erstellten gepackten Rezept entspricht, in die Quell-URL -Feld. 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
. Auswählen R im Laufzeit und Klassifizierung im Typ angezeigt. Nachdem alles ausgefüllt wurde, wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren Schemata verwalten.
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert.
Wählen Sie als Nächstes die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze im Abschnitt aus. Verwalten von Schemas, wurden sie mit dem bereitgestellten Bootstrap-Skript im Schema und Datensatz für Einzelhandelsumsätze erstellen Tutorial.
Unter dem Funktionsverwaltung Wählen Sie in der Schema-Ansicht Ihrer Mandantenkennung 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. Auswählen Nächste , 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. Auswählen Beenden , um das Rezept zu erstellen.
Fahren Sie mit dem Nächste Schritte , um zu erfahren, wie Sie ein Modell in Data Science Workspace unter Verwendung des neu erstellten Rezepts für Einzelhandelsumsätze.
Beginnen durch Navigieren und Auswählen Workflows oben links im Platform Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und wählen Sie Launch.
Die Konfigurieren Seite für die Rezept importieren Workflow angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren.
Im Quelldateien in einem Rezept verpacken Tutorial wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit PySpark-Quelldateien eine Docker-URL bereitgestellt.
Sobald Sie auf dem Quelle auswählen Fügen Sie die Docker-URL, die dem mit PySpark-Quelldateien erstellten gepackten Rezept entspricht, in die Quell-URL -Feld. 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
. Auswählen PySpark im Laufzeit angezeigt. Sobald die PySpark-Laufzeit ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker. Wählen Sie als Nächstes Klassifizierung im Typ angezeigt. Nachdem alles ausgefüllt wurde, wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren Schemata verwalten.
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert.
Wählen Sie als Nächstes die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze mit der Verwalten von Schemas -Selektor, wurden die Schemas mit dem bereitgestellten Bootstrap-Skript im Schema und Datensatz für Einzelhandelsumsätze erstellen Tutorial.
Unter dem Funktionsverwaltung Wählen Sie in der Schema-Ansicht Ihrer Mandantenkennung 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. Auswählen Nächste , 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. Auswählen Beenden , um das Rezept zu erstellen.
Fahren Sie mit dem Nächste Schritte , um zu erfahren, wie Sie ein Modell in Data Science Workspace unter Verwendung des neu erstellten Rezepts für Einzelhandelsumsätze.
Beginnen durch Navigieren und Auswählen Workflows oben links im Platform Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und wählen Sie Launch.
Die Konfigurieren Seite für die Rezept importieren Workflow angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren.
Im Quelldateien in einem Rezept verpacken Tutorial wurde eine Docker-URL am Ende der Erstellung des Rezepts für Einzelhandelsumsätze mit Scala bereitgestellt (Spark) Quelldateien.
Sobald Sie auf dem Quelle auswählen Fügen Sie die Docker-URL, die dem mit Scala-Quelldateien erstellten gepackten Rezept entspricht, in das Feld Quell-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/scala/retail/pipelineservice.json
. Auswählen Spark im Laufzeit angezeigt. Einmal Spark Laufzeit ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker. Wählen Sie als Nächstes Regression von Typ angezeigt. Nachdem alles ausgefüllt wurde, wählen Sie Nächste in der oberen rechten Ecke, um fortzufahren Schemata verwalten.
Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert.
Wählen Sie als Nächstes die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze mit der Verwalten von Schemas -Selektor, wurden die Schemas mit dem bereitgestellten Bootstrap-Skript im Schema und Datensatz für Einzelhandelsumsätze erstellen Tutorial.
Unter dem Funktionsverwaltung Wählen Sie in der Schema-Ansicht Ihrer Mandantenkennung 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 Folgendes fest:weeklySales" als Target-Funktion und alles andere als Eingabefunktion. Auswählen Nächste , 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. Auswählen Beenden , um das Rezept zu erstellen.
Fahren Sie mit dem Nächste Schritte , um zu erfahren, wie Sie ein Modell in Data Science Workspace unter Verwendung des neu erstellten Rezepts für Einzelhandelsumsätze.
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 bewerten.