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.

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

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執行階段 下拉並 分類類型 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。

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.

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

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執行階段 下拉並 分類類型 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。

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.

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

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

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.

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

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

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