在資料科學工作區UI中匯入封裝的配方

本教學課程深入分析如何使用提供的零售範例設定和匯入封裝配方。 在本教學課程結束時，您已準備好在Adobe Experience Platform中建立、訓練及評估模型 Data Science Workspace.

先決條件

本教學課程需要以Docker影像URL形式的封裝方法。 請參閱教學課程，瞭解如何 將來源檔案封裝到配方中 以取得詳細資訊。

UI工作流程

將封裝的配方匯入 Data Science Workspace 需要特定的配方設定，編譯成單一JavaScript物件標籤法(JSON)檔案，這種配方設定的編譯稱為設定檔案。 具有特定組態的封裝配方稱為配方例項。 一個配方可用於建立許多配方例項 Data Science Workspace.

匯入套裝程式配方的工作流程包含下列步驟：

設定配方

中的每個配方執行個體 Data Science Workspace 隨附一組設定，可量身打造適合特定使用案例的配方執行個體。 設定檔案會定義使用此配方執行個體建立之模型的預設訓練和評分行為。

注意

設定檔案會因配方和大小寫而異。

底下是設定檔範例，其中顯示零售方式預設的訓練和評分行為。

[
    {
        "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}"
            }
        ]
    }
]
引數索引鍵 類型 說明
learning_rate 數字 漸層乘法的純量。
n_estimators 數字 隨機樹系分類器的樹系中的樹數目。
max_depth 數字 隨機森林分類器中樹狀結構的最大深度。
ACP_DSW_INPUT_FEATURES 字串 以逗號分隔的輸入結構描述屬性清單。
ACP_DSW_TARGET_FEATURES 字串 逗號分隔的輸出結構描述屬性清單。
ACP_DSW_FEATURE_UPDATE_SUPPORT 布林值 決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能正確建立名稱空間，並包含在您的組織內。 請依照這裡的步驟操作 以尋找您的租使用者ID。
ACP_DSW_TRAINING_XDM_SCHEMA 字串 用於訓練模型的輸入結構描述。 在UI中匯入時，請將此欄留空；使用API匯入時，請以培訓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量度清單（以逗號分隔）。
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA 字串 用於對模型評分的輸出結構描述。 在UI中匯入時，請將此欄留空；使用API匯入時，請以評分SchemaID取代。

在本教學課程中，您可以將零售配方的預設設定檔保留在 Data Science Workspace 參考其運作方式。

匯入以Docker為基礎的配方 — Python

從導覽和選取開始 工作流程 位於左側的 Platform UI。 接下來，選取 匯入配方 並選取 Launch.

此 設定 頁面 匯入配方 工作流程隨即顯示。 輸入配方的名稱與摘要，然後選取 下一個 右上角。

設定工作流程

注意

在 將來源檔案封裝到配方中 教學課程，在使用Python來源檔案建立零售銷售方式結束時，提供了Docker URL。

一旦您登入 選取來源 頁面，貼上與使用建立的封裝配方相對應的Docker URL Python 中的來源檔案 來源URL 欄位。 接下來，透過拖放或使用檔案系統匯入提供的組態檔案 瀏覽器. 提供的設定檔案可在以下網址找到： experience-platform-dsw-reference/recipes/python/retail/retail.config.json. 選取 Python 在 執行階段 下拉式清單和 分類 在 型別 下拉式清單。 填寫完所有內容後，選取 下一個 前往右上角 管理結構描述.

注意

型別支援 分類 和 回歸. 如果您的模型不屬於這些型別之一，請選取 自訂.

接著，選取區段下方的零售銷售輸入和輸出結構 管理結構描述，這些範本是使用 建立零售業銷售結構描述和資料集 教學課程。

在 功能管理 區段中，在結構描述檢視器中選取租使用者識別以展開零售銷售輸入結構描述。 反白所需的特徵並選取 輸入功能 或 目標功能 在右側 欄位屬性 視窗。 在本教學課程中，請將 weeklySales 作為 目標功能 和其他所有專案為 輸入功能. 選取 下一個 以檢閱您新設定的配方。

視需要檢閱配方、新增、修改或移除設定。 選取 完成 以建立配方。

繼續前往 後續步驟 以瞭解如何在中建立模型 Data Science Workspace 使用新建立的零售銷售配方。

匯入以Docker為基礎的配方 — R

從導覽和選取開始 工作流程 位於左側的 Platform UI。 接下來，選取 匯入配方 並選取 Launch.

此 設定 頁面 匯入配方 工作流程隨即顯示。 輸入配方的名稱與摘要，然後選取 下一個 右上角。

設定工作流程

注意

在 將來源檔案封裝到配方中 教學課程中，在使用R來源檔案建立零售銷售配方結束時，提供了Docker URL。

一旦您登入 選取來源 頁面，貼上與使用R來源檔案建置的封裝配方相對應的Docker URL 來源URL 欄位。 接下來，透過拖放或使用檔案系統匯入提供的組態檔案 瀏覽器. 提供的設定檔案可在以下網址找到： experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. 選取 R 在 執行階段 下拉式清單和 分類 在 型別 下拉式清單。 填寫完所有內容後，選取 下一個 前往右上角 管理結構描述.

注意

型別 支援 分類 和 回歸. 如果您的模型不屬於這些型別之一，請選取 自訂.

接著，選取區段下方的零售銷售輸入和輸出結構 管理結構描述，這些範本是使用 建立零售業銷售結構描述和資料集 教學課程。

在 功能管理 區段中，在結構描述檢視器中選取租使用者識別以展開零售銷售輸入結構描述。 反白所需的特徵並選取 輸入功能 或 目標功能 在右側 欄位屬性 視窗。 在本教學課程中，請將 weeklySales 作為 目標功能 和其他所有專案為 輸入功能. 選取 下一個 以檢閱您的新已設定配方。

視需要檢閱配方、新增、修改或移除設定。 選取 完成 以建立配方。

繼續前往 後續步驟 以瞭解如何在中建立模型 Data Science Workspace 使用新建立的零售銷售配方。

匯入Docker型配方 — PySpark

從導覽和選取開始 工作流程 位於左側的 Platform UI。 接下來，選取 匯入配方 並選取 Launch.

此 設定 頁面 匯入配方 工作流程隨即顯示。 輸入配方的名稱與摘要，然後選取 下一個 前往右上角以繼續。

設定工作流程

注意

在 將來源檔案封裝到配方中 教學課程，在使用PySpark來源檔案建置零售方式結束時提供了Docker URL。

一旦您登入 選取來源 頁面，將對應到使用PySpark來源檔案建立的封裝配方的Docker URL貼到 來源URL 欄位。 接下來，透過拖放或使用檔案系統匯入提供的組態檔案 瀏覽器. 提供的設定檔案可在以下網址找到： experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. 選取 PySpark 在 執行階段 下拉式清單。 選取PySpark執行階段後，預設成品會自動填入 Docker. 接下來，選取 分類 在 型別 下拉式清單。 填寫完所有內容後，選取 下一個 前往右上角 管理結構描述.

注意

型別 支援 分類 和 回歸. 如果您的模型不屬於這些型別之一，請選取 自訂.

接下來，使用「 」選取「零售銷售」輸入和輸出結構描述。 管理結構描述 選擇器中，使用中提供的啟動程式指令碼建立方案 建立零售業銷售結構描述和資料集 教學課程。

管理結構描述

在 功能管理 區段中，在結構描述檢視器中選取租使用者識別以展開零售銷售輸入結構描述。 反白所需的特徵並選取 輸入功能 或 目標功能 在右側 欄位屬性 視窗。 在本教學課程中，請將 weeklySales 作為 目標功能 和其他所有專案為 輸入功能. 選取 下一個 以檢閱您新設定的配方。

視需要檢閱配方、新增、修改或移除設定。 選取 完成 以建立配方。

繼續前往 後續步驟 以瞭解如何在中建立模型 Data Science Workspace 使用新建立的零售銷售配方。

以Docker為基礎的匯入配方 — Scala

從導覽和選取開始 工作流程 位於左側的 Platform UI。 接下來，選取 匯入配方 並選取 Launch.

此 設定 頁面 匯入配方 工作流程隨即顯示。 輸入配方的名稱與摘要，然後選取 下一個 前往右上角以繼續。

設定工作流程

注意

在 將來源檔案封裝到配方中 教學課程，在使用Scala (Spark)來源檔案。

一旦您登入 選取來源 頁面，在來源URL欄位中貼上與使用Scala來源檔案建置的封裝配方對應的Docker URL。 接下來，拖放或使用檔案系統「瀏覽器」來匯入提供的組態檔案。 提供的設定檔案可在以下網址找到： experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. 選取 Spark 在 執行階段 下拉式清單。 一旦 Spark 執行階段已選取，預設成品會自動填入 Docker. 接下來，選取 回歸 從 型別 下拉式清單。 填寫完所有內容後，選取 下一個 前往右上角 管理結構描述.

注意

型別支援 分類 和 回歸. 如果您的模型不屬於這些型別之一，請選取 自訂.

接下來，使用「 」選取「零售銷售」輸入和輸出結構描述。 管理結構描述 選擇器中，使用中提供的啟動程式指令碼建立方案 建立零售業銷售結構描述和資料集 教學課程。

管理結構描述

在 功能管理 區段中，在結構描述檢視器中選取租使用者識別以展開零售銷售輸入結構描述。 反白所需的特徵並選取 輸入功能 或 目標功能 在右側 欄位屬性 視窗。 在本教學課程中，請設定"weeklySales」作為 目標功能 和其他所有專案為 輸入功能. 選取 下一個 以檢閱您新設定的配方。

視需要檢閱配方、新增、修改或移除設定。 選取 完成 以建立配方。

繼續前往 後續步驟 以瞭解如何在中建立模型 Data Science Workspace 使用新建立的零售銷售配方。

後續步驟

本教學課程深入分析如何設定配方並將其匯入 Data Science Workspace. 您現在可以使用新建立的配方來建立、訓練及評估模型。

本頁內容