在Data Science Workspace UI中匯入封裝的方式
本教學課程提供如何使用提供的零售銷售範例來設定和匯入封裝方式的見解。 在本教學課程結束時，您將準備好在Adobe Experience PlatformData Science Workspace中建立、訓練和評估模型。
先決條件
本教學課程需要以Docker影像URL格式封裝的配方。 如需詳細資訊，請參閱將來源檔案封裝至Recipe的教學課程。
UI工作流程
將封裝配方匯入Data Science Workspace需要特定配方組態，並編譯為單一JavaScript物件注釋(JSON)檔案，此配方組態編譯稱為組態檔。 具有一組特定配置的打包配方稱為配方實例。 一個配方可用於在Data Science Workspace中建立多個配方實例。
用於導入包配方的工作流包括以下步驟：
配置配方
Data Science Workspace中的每個配方實例都附帶一組配置，這些配置將配方實例定制為適合特定使用案例。 配置檔案定義使用此配方實例建立的模型的預設培訓和計分行為。
配置檔案是特定於配方和大小寫的。
以下是顯示零售銷售方式預設訓練和評分行為的範例設定檔案。
[
{
"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}"
}
]
}
]
| 參數鍵 | 類型 | 說明 |
|---|---|---|
learning_rate |
數字 | 漸層乘法的標量。 |
n_estimators |
數字 | 隨機森林分類器的林中樹數。 |
max_depth |
數字 | 隨機森林分類器中樹的最大深度。 |
ACP_DSW_INPUT_FEATURES |
字串 | 逗號分隔的輸入模式屬性清單。 |
ACP_DSW_TARGET_FEATURES |
字串 | 逗號分隔的輸出模式屬性清單。 |
ACP_DSW_FEATURE_UPDATE_SUPPORT |
布林值 | 確定輸入和輸出特徵是否可修改 |
tenantId |
字串 | 此ID可確保您建立的資源具有正確的命名空間，並且包含在IMS組織中。 請依照此處的 步驟尋找您的租用戶ID。 |
ACP_DSW_TRAINING_XDM_SCHEMA |
字串 | 用於訓練模型的輸入模式。 在UI中匯入時保留此空白，在使用API匯入時，以訓練架構ID取代。 |
evaluation.labelColumn |
字串 | 評估視覺化的欄標籤。 |
evaluation.metrics |
字串 | 用於評估模型的評估度量的逗號分隔清單。 |
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA |
字串 | 用於計分模型的輸出方案。 在UI中匯入時保留此空白，在使用API匯入時，以計分SchemaID取代。 |
在本教程中，您可以保留Data Science Workspace參考零售銷售配方的預設配置檔案。
導入基於Docker的配方- Python
首先，導覽並選擇位於Platform UI左上角的Workflows。 接著，選擇Import recipe並選擇Launch。
此時會顯示匯入方式工作流程的設定頁面。 輸入配方的名稱和說明，然後在右上角選擇Next。
在將來源檔案封裝成Recipe教學課程中，在使用Python來源檔案建立零售銷售方式時，會提供Docker URL。
在選擇源頁面上，將與使用Python源檔案構建的打包配方對應的Docker URL貼上到Source URL欄位中。 接著，拖放以匯入所提供的設定檔案，或使用檔案系統Browser。 可在experience-platform-dsw-reference/recipes/python/retail/retail.config.json找到提供的配置檔案。 在Runtime下拉式清單中選取Python，在Type下拉式清單中選取Classification。 一旦填寫完所有內容，請選擇右上角的Next以繼續管理結構。
類型支援Classification和Regression。 如果您的型號不屬於其中一種類型，請選擇Custom。
接著，在管理結構一節下選擇零售銷售輸入和輸出結構描述，這些結構描述是使用中提供的引導指令碼建立零售銷售結構描述和資料集教程中建立的。
在功能管理區段下，在架構檢視器中選取您的租用戶識別碼，以展開零售銷售輸入架構。 反白顯示所要的功能，然後在右側的Field Properties視窗中選取Input Feature或Target Feature，以選擇輸入和輸出功能。 在本教學課程中，請將weeklySales設為Target Feature，並將其他項目設為Input Feature。 選擇Next以查看新配置的配方。
視需要檢閱方式、新增、修改或移除組態。 選擇Finish以建立配方。
繼續執行後續步驟，瞭解如何使用新建立的零售銷售方式在Data Science Workspace中建立模型。
導入基於Docker的配方- R
首先，導覽並選擇位於Platform UI左上角的Workflows。 接著，選擇Import recipe並選擇Launch。
此時會顯示匯入方式工作流程的設定頁面。 輸入配方的名稱和說明，然後在右上角選擇Next。
在將來源檔案封裝成Recipe教學課程中，在使用R來源檔案建立零售銷售方式時，會提供Docker URL。
在選擇源頁面上，將與使用R源檔案構建的打包配方對應的Docker URL貼上到Source URL欄位中。 接著，拖放以匯入所提供的設定檔案，或使用檔案系統Browser。 可在experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json找到提供的配置檔案。 在Runtime下拉式清單中選取R，在Type下拉式清單中選取Classification。 一旦填寫完所有內容，請選擇右上角的Next以繼續管理結構。
打 字支援 Classification 和 Regression。如果您的型號不屬於其中一種類型，請選擇Custom。
接著，在管理結構一節下選擇零售銷售輸入和輸出結構描述，這些結構描述是使用中提供的引導指令碼建立零售銷售結構描述和資料集教程中建立的。
在功能管理區段下，在架構檢視器中選取您的租用戶識別碼，以展開零售銷售輸入架構。 反白顯示所要的功能，然後在右側的Field Properties視窗中選取Input Feature或Target Feature，以選擇輸入和輸出功能。 在本教學課程中，請將weeklySales設為Target Feature，並將其他項目設為Input Feature。 選擇Next以查看新的「已配置」配方。
視需要檢閱方式、新增、修改或移除組態。 選擇完成以建立配方。
繼續執行後續步驟，瞭解如何使用新建立的零售銷售方式在Data Science Workspace中建立模型。
匯入以Docker為基礎的方式- PySpark
首先，導覽並選擇位於Platform UI左上角的Workflows。 接著，選擇Import recipe並選擇Launch。
此時會顯示匯入方式工作流程的設定頁面。 輸入配方的名稱和說明，然後在右上角選擇Next以繼續。
在將來源檔案封裝成Recipe教學課程中，使用PySpark來源檔案建立零售銷售方式時，會提供Docker URL。
在選取來源頁面上，將與使用PySpark來源檔案建立之封裝方式對應的Docker URL貼入Source URL欄位。 接著，拖放以匯入所提供的設定檔案，或使用檔案系統Browser。 可在experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json找到提供的配置檔案。 在Runtime下拉式清單中選取PySpark。 在選取PySpark執行時期後，預設對象會自動填入至Docker。 接著，在Type下拉式清單中選取Classification。 一旦填寫完所有內容，請選擇右上角的Next以繼續管理結構。
打 字支援 Classification 和 Regression。如果您的型號不屬於其中一種類型，請選擇Custom。
接下來，使用管理方案選擇器選擇零售銷售輸入和輸出方案，使用中提供的引導指令碼建立方案並建立零售銷售方案和資料集教程。
在功能管理區段下，在架構檢視器中選取您的租用戶識別碼，以展開零售銷售輸入架構。 反白顯示所要的功能，然後在右側的Field Properties視窗中選取Input Feature或Target Feature，以選擇輸入和輸出功能。 在本教學課程中，請將weeklySales設為Target Feature，並將其他項目設為Input Feature。 選擇Next以查看新配置的配方。
視需要檢閱方式、新增、修改或移除組態。 選擇Finish以建立配方。
繼續執行後續步驟，瞭解如何使用新建立的零售銷售方式在Data Science Workspace中建立模型。
導入基於Docker的配方- Scala
首先，導覽並選擇位於Platform UI左上角的Workflows。 接著，選擇Import recipe並選擇Launch。
此時會顯示匯入方式工作流程的設定頁面。 輸入配方的名稱和說明，然後在右上角選擇Next以繼續。
在將源檔案打包到Recipe教程中，在使用Scala(Spark)源檔案構建零售銷售方式的結束時提供了Docker URL。
在選擇源頁面上，將與使用源URL欄位中的Scala源檔案構建的打包配方對應的Docker URL貼上到「源URL」欄位中。 接著，透過拖放方式匯入提供的設定檔案，或使用檔案系統瀏覽器。 可在experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json找到提供的配置檔案。 在Runtime下拉式清單中選取Spark。 選擇Spark運行時後，預設對象將自動填充到Docker。 接著，從Type下拉式清單中選擇Regression。 一旦填寫完所有內容，請選擇右上角的Next以繼續管理結構。
類型支援Classification和Regression。 如果您的型號不屬於其中一種類型，請選擇Custom。
接下來，使用管理方案選擇器選擇零售銷售輸入和輸出方案，使用中提供的引導指令碼建立方案並建立零售銷售方案和資料集教程。
在功能管理區段下，在架構檢視器中選取您的租用戶識別碼，以展開零售銷售輸入架構。 反白顯示所要的功能，然後在右側的Field Properties視窗中選取Input Feature或Target Feature，以選擇輸入和輸出功能。 在本教學課程中，請將"weeklySales"設為Target Feature，而將其他項目設為Input Feature。 選擇Next以查看新配置的配方。
視需要檢閱方式、新增、修改或移除組態。 選擇Finish以建立配方。
繼續執行後續步驟，瞭解如何使用新建立的零售銷售方式在Data Science Workspace中建立模型。
下一步
本教學課程提供有關設定方式並將方式匯入Data Science Workspace的深入資訊。 您現在可以使用新建立的方式建立、訓練和評估模型。
