Otimizar um modelo usando a estrutura do Model Insights

A Estrutura do Model Insights fornece ao cientista de dados ferramentas no Data Science Workspace fazer escolhas rápidas e informadas para modelos ideais de aprendizado de máquina com base em experimentos. A estrutura melhorará a velocidade e a eficácia do fluxo de trabalho de aprendizado de máquina, bem como a facilidade de uso para cientistas de dados. Isso é feito fornecendo um modelo padrão para cada tipo de algoritmo de aprendizado de máquina para auxiliar no ajuste do modelo. O resultado final permite que cientistas de dados e cientistas de dados cidadãos tomem melhores decisões de otimização de modelos para seus clientes finais.

O que são métricas?

Depois de implementar e treinar um modelo, o próximo passo que um cientista de dados faria é descobrir o desempenho do modelo. Várias métricas são usadas para descobrir a eficiência de um modelo em comparação com outras. Alguns exemplos de métricas usadas:

• Precisão da classificação
• Área sob a curva
• Matriz de confusão
• Relatório de classificação

Configuração do código de fórmula

Atualmente, a Estrutura do Model Insights é compatível com os seguintes tempos de execução:

• Scala
• Python/Tensorflow
• R

O código de amostra para receitas pode ser encontrado no experience-platform-dsw-reference repositório em recipes. Os arquivos específicos deste repositório serão referenciados neste tutorial.

Scala

Há duas maneiras de inserir métricas nas receitas. Uma é usar as métricas de avaliação padrão fornecidas pelo SDK e a outra é gravar métricas de avaliação personalizadas.

Métricas de avaliação padrão para a Scala

As avaliações padrão são calculadas como parte dos algoritmos de classificação. Estes são alguns valores padrão para avaliadores que estão implementados no momento:

O avaliador pode ser definido na fórmula do application.properties arquivo no recipe pasta. Código de exemplo que habilita o DefaultBinaryClassificationEvaluator é mostrado abaixo:

evaluation.class=com.adobe.platform.ml.impl.DefaultBinaryClassificationEvaluator
evaluation.labelColumn=label
evaluation.predictionColumn=prediction
training.evaluate=true

Depois que uma classe de avaliador é ativada, várias métricas são calculadas durante o treinamento por padrão. As métricas padrão podem ser declaradas explicitamente ao adicionar a seguinte linha ao seu application.properties.

evaluation.metrics.com=com.adobe.platform.ml.impl.Constants.DEFAULT

Uma métrica específica pode ser ativada ao alterar o valor de evaluation.metrics.com. No exemplo a seguir, a métrica F-Score está ativada.

evaluation.metrics=com.adobe.platform.ml.impl.Constants.FSCORE

A tabela a seguir especifica as métricas padrão para cada classe. Um usuário também pode usar os valores na variável evaluation.metric para ativar uma métrica específica.

Métricas de avaliação personalizadas para a Scala

O avaliador personalizado pode ser fornecido estendendo a interface do MLEvaluator.scala no seu Evaluator.scala arquivo. No exemplo Avaliador.escala arquivo, definimos personalizado split() e evaluate() funções. Nosso split() A função divide nossos dados aleatoriamente com uma proporção de 8:2 e nossos evaluate() define e retorna três métricas: MAPE, MAE e RMSE.

Uma vez definido na fórmula, o próximo passo é ativá-lo nas receitas. Isso é feito no application.properties no arquivo do projeto resources pasta. Aqui, o evaluation.class está definido como Evaluator classe definida em Evaluator.scala

evaluation.class=com.adobe.platform.ml.Evaluator

No Data Science Workspace, o usuário poderá ver os insights na guia "Métricas de avaliação" na página de experimento.

Python/Tensorflow

Por enquanto, não há métricas de avaliação padrão para Python ou Tensorflow. Assim, para obter as métricas de avaliação para Python ou Tensorflow, será necessário criar uma métrica de avaliação personalizada. Isso pode ser feito implementando o Evaluator classe.

Métricas de avaliação personalizadas para Python

Para métricas de avaliação personalizadas, há dois métodos principais que precisam ser implementados para o avaliador: split() e evaluate().

Para Python, estes métodos seriam definidos em avaliador.py para o Evaluator classe. Siga as avaliador.py para obter um exemplo do Evaluator.

Criação de métricas de avaliação no Python exige que o usuário implemente o evaluate() e split() métodos.

A variável evaluate() método retorna o objeto de métrica que contém uma matriz de objetos de métrica com propriedades de name, value, e valueType.

O objetivo da split() é inserir dados e produzir um treinamento e um conjunto de dados de teste. No nosso exemplo, a variável split() o método insere dados usando o DataSetReader e, em seguida, limpa os dados removendo colunas não relacionadas. A partir daí, os recursos adicionais são criados a partir dos recursos brutos existentes nos dados.

A variável split() deve retornar um quadro de dados de treinamento e teste que é então usado pelo pipeline() métodos para treinar e testar o modelo de ML.

Métricas de avaliação personalizadas para Tensorflow

Para Tensorflow, semelhante a Python, os métodos evaluate() e split() no Evaluator precisará ser implementada. Para evaluate(), as métricas devem ser retornadas enquanto split() retorna o trem e os conjuntos de dados de teste.

from ml.runtime.python.Interfaces.AbstractEvaluator import AbstractEvaluator

class Evaluator(AbstractEvaluator):
    def __init__(self):
       print ("initiate")

    def evaluate(self, data=[], model={}, config={}):

        return metrics

    def split(self, config={}):

       return 'train', 'test'

R

A partir de agora, não há métricas de avaliação padrão para R. Assim, para obter as métricas de avaliação para R, será necessário definir o applicationEvaluator classe como parte da fórmula.

Métricas de avaliação personalizadas para o R

O principal objetivo da applicationEvaluator é retornar um objeto JSON que contém pares de valores-chave das métricas.

Este applicationEvaluator.R pode ser usado como exemplo. Neste exemplo, a variável applicationEvaluator O está dividido em três seções familiares:

• Carregar dados
• Preparação de dados/engenharia de recursos
• Recuperar modelo salvo e avaliar

Os dados são carregados pela primeira vez em um conjunto de dados a partir de uma origem, conforme definido na retail.config.json. A partir daí, os dados são limpos e projetados para se ajustarem ao modelo de aprendizado de máquina. Por fim, o modelo é usado para fazer uma previsão usando nosso conjunto de dados e, a partir dos valores previstos e valores reais, as métricas são calculadas. Nesse caso, MAPE, MAE e RMSE são definidos e retornados na variável metrics objeto.

Uso de métricas e gráficos de visualização pré-criados

A variável Sensei Model Insights Framework O oferecerá suporte a um modelo padrão para cada tipo de algoritmo de aprendizado de máquina. A tabela abaixo mostra classes comuns de algoritmo de aprendizado de máquina de alto nível e as métricas e visualizações de avaliação correspondentes.

Recursos do Business.Adobe.com

Cms Cloud Document Generation Customer Analytics Email Reporting Identity Management Customer Segmentation