Modell erstellen und bewerten (UI)

In Adobe Experience Platform Data Science Workspace können Sie ein Modell für maschinelles Lernen einrichten, indem Sie ein vorhandenes Rezept einbinden, das für den Zweck des Modells geeignet ist. Anschließend wird das Modell trainiert und bewertet, um seine Effizienz und Wirksamkeit zu erhöhen; dazu werden die entsprechenden Hyperparameter fein abgestimmt. Rezepte sind wiederverwendbar; mit einem Rezept können also verschiedene Modelle erstellt und auf individuelle Zwecke zugeschnitten werden.

Dieses Tutorial leitet Sie durch die Schritte zum Erstellen, Trainieren und Bewerten eines Modells.

Erste Schritte

Um dieses Tutorial abzuschließen, benötigen Sie Zugriff auf Experience Platform. If you do not have access to an IMS Organization in Experience Platform, please speak to your system administrator before proceeding.

Das Tutorial setzt ein vorhandenes Rezept voraus. Wenn Sie kein Rezept haben, befolgen Sie die Anweisungen im Tutorial zum Importieren eines gepackten Rezepts in der UI, bevor Sie fortfahren.

Modell erstellen

  1. Klicken Sie in Adobe Experience Platform in der linken Navigationsspalte auf den Link Modelle, um alle vorhandenen Modelle aufzuführen. Klicken Sie oben rechts auf der Seite auf Modell erstellen, um mit der Modellerstellung zu beginnen.

  2. Durchsuchen Sie die Liste der vorhandenen Rezepte, wählen Sie das Rezept aus, das Sie zum Erstellen des Modells verwendet möchten, und klicken Sie auf Weiter.

  3. Wählen Sie einen geeigneten Eingabedatensatz aus und klicken Sie auf Weiter. Dadurch wird der standardmäßige Eingabedatensatz zum Trainieren des Modells festgelegt.

  4. Geben Sie einen Namen für das Modell ein und überprüfen Sie die standardmäßigen Modellkonfigurationen. Bei der Rezepterstellung wurden Standardkonfigurationen angewendet; um die Konfigurationswerte zu prüfen und zu ändern, doppelklicken Sie auf die jeweiligen Werte. Um einen neuen Konfigurationssatz bereitzustellen, klicken Sie auf Neue Konfiguration hochladen und ziehen Sie eine JSON-Datei mit Modellkonfigurationen in das Browser-Fenster. Klicken Sie auf Beenden, um das Modell zu erstellen.

    HINWEIS

    Konfigurationen sind für das beabsichtigte Rezept eindeutig und spezifisch. Das heißt, dass Konfigurationen für das Rezept „Einzelhandelsumsätze“ für das Rezept „Produktempfehlungen“ nicht funktionieren. Eine Liste der Rezeptkonfigurationen für „Einzelhandelsumsätze“ finden Sie im Abschnitt Referenz.

Trainings-Lauf erstellen

  1. Klicken Sie in Adobe Experience Platform in der linken Navigationsspalte auf den Link Modelle, um alle vorhandenen Modelle aufzulisten. Klicken Sie auf den Namen des Modells, das Sie trainieren möchten.

  2. Alle vorhandenen Trainings-Läufe werden mit ihrem aktuellen Trainings-Status aufgeführt. For Models created using the Data Science Workspace user interface, a training run is automatically generated and executed using the default configurations and input training dataset.

  3. Erstellen Sie ein neues Training, indem Sie oben rechts auf der Modellübersichtsseite auf Trainieren klicken.

  4. Wählen Sie den Eingabedatensatz für das Training aus und klicken Sie auf Weiter.

  5. Bei der Modellerstellung angegebene Standardkonfigurationen werden angezeigt; ändern Sie sie nach Bedarf, indem Sie auf die Werte doppelklicken. Klicken Sie auf Beenden, um den Trainings-Lauf zu erstellen und auszuführen.

    HINWEIS

    Konfigurationen sind für das beabsichtigte Rezept eindeutig und spezifisch. Das heißt, dass Konfigurationen für das Rezept „Einzelhandelsumsätze“ für das Rezept „Produktempfehlungen“ nicht funktionieren. Eine Liste der Rezeptkonfigurationen für „Einzelhandelsumsätze“ finden Sie im Abschnitt Referenz.

Modell bewerten

  1. Klicken Sie in Adobe Experience Platform in der linken Navigationsspalte auf den Link Modelle, um alle vorhandenen Modelle aufzulisten. Klicken Sie auf den Namen des zu bewertenden Modells.

  2. Alle vorhandenen Trainings-Läufe werden mit ihrem aktuellen Trainings-Status aufgeführt. Bei mehreren abgeschlossenen Trainings-Läufen können Bewertungsmetriken für verschiedene Trainings-Läufe im Modellbewertungsdiagramm verglichen werden. Wählen Sie dazu eine Bewertungsmetrik aus der Dropdown-Liste über dem Diagramm.

    Die Metrik „Mean Absolute Percent Error (MAPE)“ drückt die Genauigkeit als Fehlerprozentwert aus. So lässt sich das am besten geeignete Experiment ermitteln. Dabei gilt: Je niedriger der MAPE-Wert, desto besser.

    Die Metrik „Präzision“ beschreibt den Prozentwert relevanter Instanzen im Vergleich zu den insgesamt abgerufenen Instanzen. Präzision kann als Wahrscheinlichkeit verstanden werden, mit der ein zufällig ausgewähltes Ergebnis richtig ist.

    Klicken Sie auf einen bestimmten Trainings-Lauf, um die Details zu diesem Lauf anzuzeigen. Das können Sie bereits vor Abschluss des Laufs tun. Auf der Seite mit den Laufdetails können Sie weitere Evaluierungsmetriken, Konfigurationsparameter und Visualisierungen anzeigen, die spezifisch für den Trainings-Lauf sind. Außerdem können Sie Aktivitätsprotokolle herunterladen, um die Details zum Lauf anzuzeigen. Protokolle sind besonders bei fehlgeschlagenen Läufen nützlich: Mit ihrer Hilfe können Sie herausfinden, was falsch gelaufen ist.

  3. Hyperparameter können nicht trainiert werden und ein Modell muss durch Testen verschiedener Kombinationen von Hyperparametern optimiert werden. Wiederholen Sie dieses Trainings- und Bewertungsverfahren, bis Sie zu einem optimierten Modell gelangt sind.

Nächste Schritte

This tutorial walked you through creating, training, and evaluating a Model in Data Science Workspace. Sobald Sie ein optimiertes Modell erreicht haben, können Sie das trainierte Modell nutzen, um Einblicke zu generieren; folgen Sie dazu dem Tutorial Modell in der UI bewerten.

Referenz

Konfigurationen für das Rezept „Einzelhandelsumsätze“

Hyperparameter bestimmen über das Trainings-Verhalten des Modells. Eine Änderung von Hyperparametern wirkt sich auf die Genauigkeit und Präzision des Modells aus:

Hyperparameter Beschreibung Empfohlener Bereich
learning_rate Die Lernrate verkleinert den Beitrag der einzelnen Baumstrukturen um learning_rate. Dabei gibt es einen Kompromiss zwischen learning_rate und n_estimators. 0,1
n_estimators Die Zahl der auszuführenden Boosting-Phasen. Gradient Boosting ist relativ stabil, was Überanpassung angeht, sodass eine große Zahl in der Regel bessere Ergebnisse liefert. 100
max_depth Maximale Tiefe der einzelnen Regressionsschätzer. Die maximale Tiefe begrenzt die Zahl der Knoten in der Baumstruktur. Passen Sie den Parameter für optimale Leistung an; der optimale Wert hängt von der Interaktion der Eingabevariablen ab. 3

Zusätzliche Parameter bestimmen die technischen Eigenschaften des Modells:

Parameterschlüssel Typ Beschreibung
ACP_DSW_INPUT_FEATURES Zeichenfolge Liste mit kommagetrennten Eingabeschemaattributen.
ACP_DSW_TARGET_FEATURES Zeichenfolge Liste mit kommagetrennten Ausgabeschemaattributen.
ACP_DSW_FEATURE_UPDATE_SUPPORT Boolesch Legt fest, ob Eingabe- und Ausgabefunktionen geändert werden können.
tenantId Zeichenfolge Diese Kennung stellt sicher, dass die von Ihnen erstellten Ressourcen den richtigen Namespace erhalten und in Ihrer IMS-Organisation enthalten sind. Gehen Sie wie folgt vor, um Ihre Mandantenkennung zu suchen.
ACP_DSW_TRAINING_XDM_SCHEMA Zeichenfolge Das zum Trainieren eines Modells verwendete Eingabeschema.
evaluation.labelColumn Zeichenfolge Spaltenbezeichnung für Bewertungsvisualisierungen.
evaluation.metrics Zeichenfolge Kommagetrennte Liste mit Bewertungsmetriken, die zur Bewertung eines Modells verwendet werden.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA Zeichenfolge Das zum Scoring eines Modells verwendete Ausgabeschema.

Auf dieser Seite