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：

• 設定方式
• 匯入以Docker為基礎的方式- Python
• 導入基於Docker的配方- R
• 匯入以Docker為基礎的方式- PySpark
• 導入基於Docker的配方- Scala

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。

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}"
            }
        ]
    }
]

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​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。

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​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。

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​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。

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​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。

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。

• 在UI中訓練和評估模型
• 使用API來訓練和評估模型