在数据科学工作区用户界面中导入打包菜谱

本教程使用提供的零售销售示例提供了有关如何配置和导入打包菜谱的分析。 在本教程结束前，您将准备好在Adobe Experience Platform Data Science Workspace中创建、培训和评估模型。

先决条件

本教程要求以Docker图像URL形式打包菜谱。 有关详细信息，请参阅有关如何将源文件打包到Recipe的教程。

UI工作流程

将打包菜谱导入Data Science Workspace需要特定菜谱配置，并编译为单个JavaScript对象表示法(JSON)文件，此菜谱配置编译称为配置文件。 具有一组特定配置的打包菜谱称为菜谱实例。 一个菜谱可用于在Data Science Workspace中创建多个菜谱实例。

导入包菜谱的工作流包含以下步骤：

• 配置菜谱
• 导入基于Docker的菜谱 — Python
• 导入基于Docker的菜谱 — R
• 导入基于Docker的菜谱 — PySpark
• 导入基于Docker的菜谱 — Scala

配置菜谱

Data Science Workspace中的每个菜谱实例都附带一组配置，这些配置根据特定用例定制菜谱实例。 配置文件定义使用此菜谱实例创建的模型的默认培训和评分行为。

以下是显示零售销售菜谱的默认培训和评分行为的示例配置文件。

[
    {
        "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}"
            }
        ]
    }
]

在本教程中，您可以保留Data Science Workspace参考零售销售菜谱的默认配置文件。

导入基于Docker的菜谱 — Python

开始，方法是导航并选择位于Platform UI左上角的​Workflows。 接下来，选择​导入菜谱​并选择​Launch。

此时将显示​导入菜谱​工作流的​配置​页。 输入菜谱的名称和说明，然后选择右上角的​Next。

在​选择源​页面上后，请在​Source URL​字段中粘贴与使用Python源文件构建的打包菜谱对应的Docker URL。 然后，通过拖放导入提供的配置文件，或使用文件系统​Browser。 可在experience-platform-dsw-reference/recipes/python/retail/retail.config.json找到提供的配置文件。 在​Runtime​下拉列表中选择​Python，在​Type​下拉列表中选择​Classification。 填写完所有内容后，选择右上角的​Next​以继续​管理模式。

接下来，在​管理模式​部分下选择零售销售输入和输出模式，这些输入和输出是使用中提供的引导脚本创建的，创建零售销售模式和数据集教程。

在​功能管理​部分下，在模式查看器中选择租户标识以展开零售销售输入模式。 通过突出显示所需的功能，然后选择右侧​Field Properties​窗口中的​Input Feature​或​Target Feature，选择输入和输出功能。 在本教程中，将​weeklySales​设置为​Target Feature，将其他所有设置设置为​Input Feature。 选择​Next​以查看新配置的菜谱。

根据需要查看菜谱、添加、修改或删除配置。 选择​Finish​以创建菜谱。

继续执行后续步骤，了解如何使用新创建的零售销售菜谱在Data Science Workspace中创建模型。

导入基于Docker的菜谱 — R

开始，方法是导航并选择位于Platform UI左上角的​Workflows。 接下来，选择​导入菜谱​并选择​Launch。

此时将显示​导入菜谱​工作流的​配置​页。 输入菜谱的名称和说明，然后选择右上角的​Next。

在​选择源​页面上后，请在​Source URL​字段中粘贴与使用R源文件构建的打包菜谱对应的Docker URL。 然后，通过拖放导入提供的配置文件，或使用文件系统​Browser。 可在experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json找到提供的配置文件。 在​Runtime​下拉列表中选择​R，在​Type​下拉列表中选择​Classification。 填写完所有内容后，选择右上角的​Next​以继续​管理模式。

接下来，在​管理模式​部分下选择零售销售输入和输出模式，这些输入和输出是使用中提供的引导脚本创建的，创建零售销售模式和数据集教程。

在​功能管理​部分下，在模式查看器中选择租户标识以展开零售销售输入模式。 通过突出显示所需的功能，然后选择右侧​Field Properties​窗口中的​Input Feature​或​Target Feature，选择输入和输出功能。 在本教程中，将​weeklySales​设置为​Target Feature，将其他所有设置设置为​Input Feature。 选择​Next​以查看您的新配置菜谱。

根据需要查看菜谱、添加、修改或删除配置。 选择​完成​以创建菜谱。

继续执行后续步骤，了解如何使用新创建的零售销售菜谱在Data Science Workspace中创建模型。

导入基于Docker的菜谱 — PySpark

开始，方法是导航并选择位于Platform UI左上角的​Workflows。 接下来，选择​导入菜谱​并选择​Launch。

此时将显示​导入菜谱​工作流的​配置​页。 输入处方的名称和说明，然后选择右上角的​Next​以继续。

在​选择源​页面上后，请在​Source URL​字段中粘贴与使用PySpark源文件构建的打包菜谱对应的Docker URL。 然后，通过拖放导入提供的配置文件，或使用文件系统​Browser。 可在experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json找到提供的配置文件。 在​运行时​下拉列表中选择​PySpark。 选择PySpark运行时后，默认伪像会自动填充到​Docker。 接下来，在​类型​下拉列表中选择​Classification。 填写完所有内容后，选择右上角的​Next​以继续​管理模式。

接下来，使用​管理模式​选择器选择零售销售输入和输出模式,模式是使用中提供的引导脚本创建零售销售模式和数据集教程中的引导脚本创建的。

在​功能管理​部分下，在模式查看器中选择租户标识以展开零售销售输入模式。 通过突出显示所需的功能，然后选择右侧​Field Properties​窗口中的​Input Feature​或​Target Feature，选择输入和输出功能。 在本教程中，将​weeklySales​设置为​Target Feature，将其他所有设置设置为​Input Feature。 选择​Next​以查看新配置的菜谱。

根据需要查看菜谱、添加、修改或删除配置。 选择​Finish​以创建菜谱。

继续执行后续步骤，了解如何使用新创建的零售销售菜谱在Data Science Workspace中创建模型。

导入基于Docker的菜谱 — Scala

开始，方法是导航并选择位于Platform UI左上角的​Workflows。 接下来，选择​导入菜谱​并选择​Launch。

此时将显示​导入菜谱​工作流的​配置​页。 输入处方的名称和说明，然后选择右上角的​Next​以继续。

在​选择源​页面上后，请在“源URL”字段中粘贴与使用Scala源文件构建的打包菜谱对应的Docker URL。 然后，通过拖放导入提供的配置文件，或使用文件系统浏览器。 可在experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json找到提供的配置文件。 在​运行时​下拉列表中选择​Spark。 选择Spark运行时后，默认伪像会自动填充到​Docker。 接下来，从​类型​下拉菜单中选择​Regression。 填写完所有内容后，选择右上角的​Next​以继续​管理模式。

接下来，使用​管理模式​选择器选择零售销售输入和输出模式,模式是使用中提供的引导脚本创建零售销售模式和数据集教程中的引导脚本创建的。

在​功能管理​部分下，在模式查看器中选择租户标识以展开零售销售输入模式。 通过突出显示所需的功能，然后选择右侧​Field Properties​窗口中的​Input Feature​或​Target Feature，选择输入和输出功能。 为本教程的目的，将“weeklySales”设置为​Target Feature，将其他所有设置为​Input Feature。 选择​Next​以查看新配置的菜谱。

根据需要查看菜谱、添加、修改或删除配置。 选择​Finish​以创建菜谱。

继续执行后续步骤，了解如何使用新创建的零售销售菜谱在Data Science Workspace中创建模型。

后续步骤

本教程提供了有关配置菜谱并将其导入Data Science Workspace的分析。 您现在可以使用新创建的菜谱创建、培训和评估模型。

• 在UI中培训和评估模型
• 使用API培训和评估模型