Capacite y evalúe un modelo en la interfaz de usuario de Data Science Workspace

En Adobe Experience Platform Data Science Workspace, se crea un modelo de aprendizaje automático mediante la incorporación de una fórmula existente que es adecuada para la intención del modelo. A continuación, el Modelo es entrenado y evaluado para optimizar su eficacia y eficiencia operativa mediante el ajuste de sus hiperparámetros asociados. Las fórmulas son reutilizables, lo que significa que se pueden crear varios modelos y adaptarlos a propósitos específicos con una sola fórmula.

Este tutorial recorre los pasos para crear, entrenar y evaluar un modelo.

Primeros pasos

Para completar este tutorial, debe tener acceso a Experience Platform. Si no tiene acceso a una organización de IMS en Experience Platform, póngase en contacto con el administrador del sistema antes de continuar.

Este tutorial requiere una fórmula existente. Si no tiene una fórmula, siga el tutorial Import a packged Recipe in the UI antes de continuar.

Crear un modelo

En el Experience Platform, seleccione la pestaña Models situada en el panel de navegación izquierdo y, a continuación, seleccione la pestaña examinar para ver los modelos existentes. Seleccione Create Model cerca de la parte superior derecha de la página para comenzar un proceso de creación del modelo.

Busque en la lista de Fórmulas existentes, busque y seleccione la Fórmula que desea utilizar para crear el Modelo y seleccione Next.

Seleccione un conjunto de datos de entrada adecuado y seleccione Next. Esto establecerá el conjunto de datos de capacitación de entrada predeterminado para el modelo.

Proporcione un nombre para el Modelo y revise las configuraciones predeterminadas del Modelo. Las configuraciones predeterminadas se aplicaron durante la creación de Recipe, revisan y modifican los valores de configuración haciendo doble clic en los valores.

Para proporcionar un nuevo conjunto de configuraciones, seleccione Upload New Config y arrastre un archivo JSON que contenga configuraciones de modelo a la ventana del explorador. Seleccione Finish para crear el Modelo.

NOTA

Las configuraciones son únicas y específicas de su fórmula deseada, lo que significa que las configuraciones de la fórmula de ventas minoristas no funcionarán para la fórmula de Recommendations de producto. Consulte la sección referencia para obtener una lista de las configuraciones de fórmula de venta minorista.

Creación de una ejecución de formación

En el Experience Platform, seleccione la pestaña Models situada en el panel de navegación izquierdo y, a continuación, seleccione la pestaña examinar para ver los modelos existentes. Busque y seleccione el hipervínculo adjunto al nombre del Modelo que desea entrenar.

Se muestran todas las ejecuciones de formación existentes con sus estados de formación actuales. En Modelos creados con la interfaz de usuario Data Science Workspace , se genera y ejecuta automáticamente una ejecución de formación utilizando las configuraciones predeterminadas y el conjunto de datos de capacitación de entrada.

Cree una nueva ejecución de formación seleccionando Train cerca de la parte superior derecha de la página de información general del modelo.

Seleccione el conjunto de datos de entrada de formación para la ejecución de formación y, a continuación, seleccione Next.

Las configuraciones predeterminadas proporcionadas durante la creación del Modelo se muestran, cambian y modifican en consecuencia haciendo doble clic en los valores. Seleccione Finish para crear y ejecutar la ejecución de formación.

NOTA

Las configuraciones son únicas y específicas de su fórmula deseada, lo que significa que las configuraciones de la fórmula de ventas minoristas no funcionarán para la fórmula de Recommendations de producto. Consulte la sección referencia para obtener una lista de las configuraciones de fórmula de venta minorista.

Evaluar el modelo

En el Experience Platform, seleccione la pestaña Models situada en el panel de navegación izquierdo y, a continuación, seleccione la pestaña examinar para ver los modelos existentes. Busque y seleccione el hipervínculo adjunto al nombre del Modelo que desea evaluar.

modelo select

Se muestran todas las ejecuciones de formación existentes con sus estados de formación actuales. Con varias ejecuciones de formación completadas, las métricas de evaluación se pueden comparar en diferentes ejecuciones de formación en el gráfico de evaluación del modelo. Seleccione una métrica de evaluación mediante la lista desplegable situada encima del gráfico.

La métrica Error de porcentaje absoluto medio (MAPE, Mean Absolute Percent Error) expresa la precisión como un porcentaje del error. Se utiliza para identificar el experimento de mayor rendimiento. Cuanto más bajo sea el MAPE, mejor.

descripción general de las ejecuciones de formación

La métrica "Precisión" describe el porcentaje de instancias relevantes comparado con el total de instancias recuperadas. La precisión puede verse como la probabilidad de que un resultado seleccionado aleatoriamente sea correcto.

ejecución de varias ejecuciones

Al seleccionar una ejecución de formación específica, se proporcionan los detalles de dicha ejecución abriendo la página de evaluación. Esto se puede hacer incluso antes de que se haya completado la ejecución. En la página de evaluación, puede ver otras métricas de evaluación, parámetros de configuración y visualizaciones específicos de la ejecución de formación.

registros de vista previa

También puede descargar registros de actividad para ver los detalles de la ejecución. Los registros son especialmente útiles para las ejecuciones fallidas para ver qué ha fallado.

registros de actividades

Los hiperparámetros no se pueden entrenar y un modelo debe optimizarse probando diferentes combinaciones de hiperparámetros. Repita este proceso de formación y evaluación del modelo hasta que haya llegado a un Modelo optimizado.

Pasos siguientes

Este tutorial lo acompañó en la creación, formación y evaluación de un modelo en Data Science Workspace. Una vez que haya llegado a un modelo optimizado, puede utilizar el modelo entrenado para generar perspectivas siguiendo la Puntuación de un modelo en el tutorial de IU.

Referencia

Configuraciones de fórmula de venta minorista

Los hiperparámetros determinan el comportamiento de formación del modelo, la modificación de los hiperparámetros afectará la precisión y precisión del modelo:

Hiperparámetro Descripción Intervalo recomendado
learning_rate La tasa de aprendizaje reduce la contribución de cada árbol mediante learning_rate. Hay un equilibrio entre learning_rate y n_estimators. 0,1
n_estimators Número de etapas de ampliación que se van a realizar. El aumento de degradado es bastante robusto para sobreajustar, por lo que un gran número suele dar como resultado un mejor rendimiento. 100
max_depth Profundidad máxima de los estimadores de regresión individuales. La profundidad máxima limita el número de nodos en el árbol. Ajuste este parámetro para obtener el mejor rendimiento; el mejor valor depende de la interacción de las variables de entrada. 3

Los parámetros adicionales determinan las propiedades técnicas del modelo:

Clave de parámetro Tipo Descripción
ACP_DSW_INPUT_FEATURES Cadena Lista de los atributos de esquema de entrada separados por comas.
ACP_DSW_TARGET_FEATURES Cadena Lista de los atributos de esquema de salida separados por comas.
ACP_DSW_FEATURE_UPDATE_SUPPORT Booleano Determina si las funciones de entrada y salida se pueden modificar
tenantId Cadena Este ID garantiza que los recursos que cree tengan un espacio de nombres adecuado y estén contenidos dentro de su organización de IMS. Siga los pasos aquí para encontrar su ID de inquilino.
ACP_DSW_TRAINING_XDM_SCHEMA Cadena El esquema de entrada utilizado para entrenar un modelo.
evaluation.labelColumn Cadena Etiqueta de columna para visualizaciones de evaluación.
evaluation.metrics Cadena Lista separada por comas de las métricas de evaluación que se utilizarán para evaluar un modelo.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA Cadena El esquema de salida utilizado para puntuación de un modelo.

En esta página