Importera ett paketerat recept i användargränssnittet för datavetenskapen

I den här självstudiekursen får du information om hur du konfigurerar och importerar ett paketerat recept med hjälp av det angivna exemplet på detaljhandelsförsäljning. I slutet av den här självstudiekursen kan du skapa, utbilda och utvärdera en modell i Adobe Experience Platform Data Science Workspace.

Förutsättningar

Den här självstudiekursen kräver ett paketerat recept i form av en Docker-bild-URL. Mer information finns i självstudiekursen om hur du paketerar källfiler i en recept.

Arbetsflöde för användargränssnitt

För import av ett paketerat recept till Data Science Workspace krävs specifika receptkonfigurationer, som kompileras till en enda JavaScript-objektnotationsfil (JSON). Den här kompileringen av receptkonfigurationer kallas konfigurationsfilen. Ett paketerat recept med en viss uppsättning konfigurationer kallas en recept-instans. Ett recept kan användas för att skapa många receptinstanser i Data Science Workspace.

Arbetsflödet för att importera ett paketrecept består av följande steg:

Konfigurera ett recept

Varje recept-instans i Data Science Workspace åtföljs av en uppsättning konfigurationer som anpassar recept-instansen så att den passar ett visst användningsfall. Konfigurationsfiler definierar standardutbildnings- och bedömningsbeteenden för en modell som skapas med den här recept-instansen.

OBSERVERA

Konfigurationsfilerna är recept- och fallspecifika.

Nedan visas ett exempel på en konfigurationsfil som visar standardutbildnings- och bedömningsbeteenden för recept för detaljhandelsförsäljning.

[
    {
        "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}"
            }
        ]
    }
]
Parameternyckel Typ Beskrivning
learning_rate Siffra Skala för övertoningsmultiplikation.
n_estimators Siffra Antal träd i skogen för slumpmässig skogsklassificering.
max_depth Siffra Maximalt djup i ett träd i slumpmässig skogsklassificering.
ACP_DSW_INPUT_FEATURES Sträng Lista med kommaavgränsade inmatningsschemaattribut.
ACP_DSW_TARGET_FEATURES Sträng Lista med kommaseparerade utdataschemaattribut.
ACP_DSW_FEATURE_UPDATE_SUPPORT Boolean Avgör om in- och utdatafunktionerna kan ändras
tenantId Sträng Detta ID garanterar att de resurser du skapar namnges korrekt och finns i IMS-organisationen. Följ stegen här för att hitta ditt klient-ID.
ACP_DSW_TRAINING_XDM_SCHEMA Sträng Det indatarema som används för utbildning av en modell. Lämna detta tomt när du importerar i användargränssnittet, ersätt med utbildningsschemat-ID när du importerar med API.
evaluation.labelColumn Sträng Kolumnetikett för utvärderingsvisualiseringar.
evaluation.metrics Sträng Kommaavgränsad lista med mätvärden som ska användas för att utvärdera en modell.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA Sträng Utdatamodeller som används för att klassificera en modell. Lämna detta tomt när du importerar i användargränssnittet, ersätt med betygsschemat-ID när du importerar med API.

I den här självstudiekursen kan du lämna standardkonfigurationsfilerna för butikssäljrecept i Data Science Workspace-referensen på samma sätt som de är.

Importera Docker-baserat recept - Python

Börja med att navigera och välja Workflows i det övre vänstra hörnet i användargränssnittet för Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet.

konfigurera arbetsflöde

OBSERVERA

I Paketkällfilerna i en Recipe-självstudie angavs en Docker-URL när butikssäljreceptet skapades med Pythons källfiler.

När du är på Välj källa-sidan klistrar du in den Docker-URL som motsvarar det paketerade receptet som skapats med Python källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Välj Python i listrutan Runtime och Classification i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

OBSERVERA

Typen stöder Classification och Regression. Välj Custom om modellen inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller för butiksförsäljning under avsnittet Hantera scheman, som skapades med det angivna bootstrap-skriptet i skapa försäljningsschemat för detaljhandeln och datamängden självstudiekursen.

Under avsnittet Funktionshantering väljer du din innehavaridentifiering i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties-fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - R

Börja med att navigera och välja Workflows i det övre vänstra hörnet i användargränssnittet för Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet.

konfigurera arbetsflöde

OBSERVERA

I Paketkällfilerna i en Recipe-självstudie angavs en Docker-URL när försäljningsreceptet för butik skapades med R-källfiler.

När du är på Välj källa-sidan klistrar du in den Docker-URL som motsvarar det paketerade recept som skapats med R-källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Välj R i listrutan Runtime och Classification i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

OBSERVERA

Typesupports and Classification Regression and. Välj Custom om modellen inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller för butiksförsäljning under avsnittet Hantera scheman, som skapades med det angivna bootstrap-skriptet i skapa försäljningsschemat för detaljhandeln och datamängden självstudiekursen.

Under avsnittet Funktionshantering väljer du din innehavaridentifiering i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties-fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Slutför för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - PySpark

Börja med att navigera och välja Workflows i det övre vänstra hörnet i användargränssnittet för Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och fortsätt sedan genom att välja Next i det övre högra hörnet.

konfigurera arbetsflöde

OBSERVERA

I Paketkällfilerna i en Recipe-självstudie angavs en Docker-URL när köpreceptet för butik skapades med hjälp av PySpark-källfiler.

När du är på Välj källa-sidan klistrar du in den Docker-URL som motsvarar det paketerade receptet som skapats med PySpark-källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Välj PySpark i listrutan Runtime. När PySpark-miljön har valts fylls standardartefakten automatiskt i till Docker. Välj sedan Classification i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

OBSERVERA

Typesupports and Classification Regression and. Välj Custom om modellen inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) med väljaren Hantera scheman. Scheman skapades med det angivna bootstrap-skriptet i skapa försäljningsschemat (butik) och datamängd-självstudiekursen.

hantera scheman

Under avsnittet Funktionshantering väljer du din innehavaridentifiering i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties-fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - Scala

Börja med att navigera och välja Workflows i det övre vänstra hörnet i användargränssnittet för Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och fortsätt sedan genom att välja Next i det övre högra hörnet.

konfigurera arbetsflöde

OBSERVERA

I Paketkällfilerna i en Recipe-självstudie angavs en Docker-URL när butikssäljreceptet byggdes med källfiler för Scala (Spark).

När du är på Välj källa-sidan klistrar du in den Docker-URL som motsvarar det paketerade recept som skapats med Scala-källfiler i fältet Källadress. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filläsaren. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Välj Spark i listrutan Runtime. När du har valt Spark-miljön fylls standardartefakten automatiskt till Docker. Välj sedan Regression i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

OBSERVERA

Typen stöder Classification och Regression. Välj Custom om modellen inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) med väljaren Hantera scheman. Scheman skapades med det angivna bootstrap-skriptet i skapa försäljningsschemat (butik) och datamängd-självstudiekursen.

hantera scheman

Under avsnittet Funktionshantering väljer du din innehavaridentifiering i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties-fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Nästa steg

I den här självstudiekursen finns information om hur du konfigurerar och importerar ett recept till Data Science Workspace. Nu kan du skapa, utbilda och utvärdera en modell med hjälp av det nya receptet.

På denna sida