在Data Science Workspace UI中匯入封裝方式

本教學課程透過提供的零售銷售範例，深入分析如何設定和匯入封裝方式。 在本教學課程結束前，您已準備好在Adobe Experience Platform中建立、訓練和評估模型 Data Science Workspace.

先決條件

本教學課程需要以Docker影像URL形式包裝的配方。 請參閱如何 將源檔案打包到配方中 以取得更多資訊。

UI工作流程

將打包的配方導入 Data Science Workspace 需要特定方式設定，並編譯為單一JavaScript物件標籤法(JSON)檔案中，此方式設定的編譯稱為設定檔案。 帶有特定配置集的打包配方稱為配方實例。 一個配方可用於建立許多配方實例， Data Science Workspace.

匯入套件方式的工作流程包含下列步驟：

設定方式

中的每個配方實例 Data Science Workspace 隨附一組設定，可量身打造符合特定使用案例的方式例項。 配置檔案定義使用此配方實例建立的模型的預設培訓和評分行為。

注意

組態檔是方式和案例專屬檔案。

以下是顯示「零售銷售」方式預設培訓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 梯度乘的標量。
n_estimators 數字 隨機森林分類器的林中的樹數。
max_depth 數字 隨機森林分類器中樹的最大深度。
ACP_DSW_INPUT_FEATURES 字串 逗號分隔的輸入架構屬性清單。
ACP_DSW_TARGET_FEATURES 字串 逗號分隔的輸出架構屬性清單。
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與IMS組織中的命名方式正確無誤。 請依照此處的步驟操作 找到您的租用戶ID。
ACP_DSW_TRAINING_XDM_SCHEMA 字串 用於訓練模型的輸入結構。 在UI中匯入時，請保留此空白，在使用API匯入時，請以訓練SchemaID取代。
evaluation.labelColumn 字串 評估視覺效果的欄標籤。
evaluation.metrics 字串 用於評估模型的評估度量清單（以逗號分隔）。
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA 字串 用於對模型進行計分的輸出架構。 在UI中匯入時，請將此保留空白，在使用API匯入時，以計分SchemaID取代。

在本教學課程中，您可以保留零售銷售方式的預設設定檔案，位於 Data Science Workspace 參考其原樣。

導入基於Docker的配方 — Python

首先，導覽並選取 工作流程 位於 Platform UI。 下一步，選擇 導入方式 選取 Launch.

此 設定 頁面 導入方式 工作流程隨即出現。 輸入處方的名稱和說明，然後選擇 下一個 在右上角。

設定工作流程

注意

在 將源檔案打包到配方中 教程，在使用Python源檔案構建零售銷售方式結束時提供了Docker URL。

一旦您加入 選擇源 頁面，貼上與使用 Python 源檔案 源URL 欄位。 接下來，拖放以匯入所提供的設定檔案，或使用檔案系統 瀏覽器. 可在以下位置找到提供的配置檔案： experience-platform-dsw-reference/recipes/python/retail/retail.config.json. 選擇 Python 在 執行階段 下拉並 分類 在 類型 下拉。 填妥所有內容後，請選取 下一個 在右上角繼續 管理結構.

注意

類型支援 分類 和 回歸. 如果模型不屬於以下類型之一，請選取 自訂.

接下來，選取區段下的零售銷售輸入和輸出結構 管理結構，則會使用中提供的引導指令碼來建立 建立零售銷售結構和資料集 教學課程。

在 功能管理 區段中，在結構檢視器中選取「租戶」識別，以展開「零售銷售」輸入結構。 通過突出顯示所需特徵並選擇任一特徵來選擇輸入和輸出特徵 輸入功能 或 目標功能 在右邊 欄位屬性 窗口。 在本教學課程中，請設定 weeklySales 作為 目標功能 其他一切 輸入功能. 選擇 下一個 來檢閱新設定的方式。

視需要檢閱方式、新增、修改或移除設定。 選擇 完成 來建立方式。

繼續 後續步驟 要了解如何在 Data Science Workspace 使用新建立的零售銷售方式。

導入基於Docker的配方 — R

首先，導覽並選取 工作流程 位於 Platform UI。 下一步，選擇 導入方式 選取 Launch.

此 設定 頁面 導入方式 工作流程隨即出現。 輸入處方的名稱和說明，然後選擇 下一個 在右上角。

設定工作流程

注意

在 將源檔案打包到配方中 教學課程中，使用R來源檔案建立零售銷售方式結束時，會提供Docker URL。

一旦您加入 選擇源 頁面，將與使用R源檔案建立的封裝方式對應的Docker URL貼到 源URL 欄位。 接下來，拖放以匯入所提供的設定檔案，或使用檔案系統 瀏覽器. 可在以下位置找到提供的配置檔案： experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. 選擇 R 在 執行階段 下拉並 分類 在 類型 下拉。 填妥所有內容後，請選取 下一個 在右上角繼續 管理結構.

注意

類型 支援 分類 和 回歸. 如果模型不屬於以下類型之一，請選取 自訂.

接下來，選取區段下的零售銷售輸入和輸出結構 管理結構，則會使用中提供的引導指令碼來建立 建立零售銷售結構和資料集 教學課程。

在 功能管理 區段中，在結構檢視器中選取「租戶」識別，以展開「零售銷售」輸入結構。 通過突出顯示所需特徵並選擇任一特徵來選擇輸入和輸出特徵 輸入功能 或 目標功能 在右邊 欄位屬性 窗口。 在本教學課程中，請設定 weeklySales 作為 目標功能 其他一切 輸入功能. 選擇 下一個 來檢閱新的已設定方式。

視需要檢閱方式、新增、修改或移除設定。 選擇 完成 來建立方式。

繼續 後續步驟 要了解如何在 Data Science Workspace 使用新建立的零售銷售方式。

導入基於Docker的配方 — PySpark

首先，導覽並選取 工作流程 位於 Platform UI。 下一步，選擇 導入方式 選取 Launch.

此 設定 頁面 導入方式 工作流程隨即出現。 輸入處方的名稱和說明，然後選擇 下一個 來繼續。

設定工作流程

注意

在 將源檔案打包到配方中 教學課程中，使用PySpark來源檔案建立零售銷售方式結束時會提供Docker URL。

一旦您加入 選擇源 頁面，將與使用PySpark源檔案構建的打包方式對應的Docker URL貼到 源URL 欄位。 接下來，拖放以匯入所提供的設定檔案，或使用檔案系統 瀏覽器. 可在以下位置找到提供的配置檔案： experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. 選擇 PySpark 在 執行階段 下拉。 選擇PySpark運行時後，預設工件會自動填充到 Docker. 下一步，選擇 分類 在 類型 下拉。 填妥所有內容後，請選取 下一個 在右上角繼續 管理結構.

注意

類型 支援 分類 和 回歸. 如果模型不屬於以下類型之一，請選取 自訂.

接下來，使用 管理結構 選取器中，結構是使用 建立零售銷售結構和資料集 教學課程。

管理結構

在 功能管理 區段中，在結構檢視器中選取「租戶」識別，以展開「零售銷售」輸入結構。 通過突出顯示所需特徵並選擇任一特徵來選擇輸入和輸出特徵 輸入功能 或 目標功能 在右邊 欄位屬性 窗口。 在本教學課程中，請設定 weeklySales 作為 目標功能 其他一切 輸入功能. 選擇 下一個 來檢閱新設定的方式。

視需要檢閱方式、新增、修改或移除設定。 選擇 完成 來建立方式。

繼續 後續步驟 要了解如何在 Data Science Workspace 使用新建立的零售銷售方式。

導入基於Docker的配方 — Scala

首先，導覽並選取 工作流程 位於 Platform UI。 下一步，選擇 導入方式 選取 Launch.

此 設定 頁面 導入方式 工作流程隨即出現。 輸入處方的名稱和說明，然後選擇 下一個 來繼續。

設定工作流程

注意

在 將源檔案打包到配方中 教學課程中，使用Scala建立零售銷售方式(Spark)源檔案。

一旦您加入 選擇源 頁，在「源URL」欄位中貼上與使用Scala源檔案構建的打包方式對應的Docker URL。 接下來，拖放以匯入提供的設定檔案，或使用檔案系統瀏覽器。 可在以下位置找到提供的配置檔案： experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. 選擇 火花 在 執行階段 下拉。 一旦 Spark 運行時被選中，預設對象會自動填充到 Docker. 下一步，選擇 回歸 從 類型 下拉。 填妥所有內容後，請選取 下一個 在右上角繼續 管理結構.

注意

類型支援 分類 和 回歸. 如果模型不屬於以下類型之一，請選取 自訂.

接下來，使用 管理結構 選取器中，結構是使用 建立零售銷售結構和資料集 教學課程。

管理結構

在 功能管理 區段中，在結構檢視器中選取「租戶」識別，以展開「零售銷售」輸入結構。 通過突出顯示所需特徵並選擇任一特徵來選擇輸入和輸出特徵 輸入功能 或 目標功能 在右邊 欄位屬性 窗口。 在本教學課程中，請設定「weeklySales」作為 目標功能 其他一切 輸入功能. 選擇 下一個 來檢閱新設定的方式。

視需要檢閱方式、新增、修改或移除設定。 選擇 完成 來建立方式。

繼續 後續步驟 要了解如何在 Data Science Workspace 使用新建立的零售銷售方式。

後續步驟

本教學課程深入分析如何設定及將配方匯入 Data Science Workspace. 您現在可以使用新建立的方式建立、訓練和評估模型。

本頁內容