Formazione e valutazione di un modello nell’interfaccia utente di Data Science Workspace

In Adobe Experience Platform Data Science Workspace, viene creato un modello di apprendimento automatico incorporando una composizione esistente appropriata per l'intento del modello. Il modello viene quindi addestrato e valutato per ottimizzarne l'efficienza operativa e l'efficacia, regolando con precisione i relativi Hyperparameters associati. Le ricette sono riutilizzabili, il che significa che è possibile creare più modelli e personalizzarli per scopi specifici con un'unica ricetta.

Questa esercitazione descrive i passaggi necessari per creare, addestrare e valutare un modello.

Introduzione

Per completare questa esercitazione, devi disporre dell'accesso a Experience Platform. Se non hai accesso a un'organizzazione IMS in Experience Platform, rivolgiti all'amministratore di sistema prima di procedere.

Questa esercitazione richiede una composizione esistente. Se non disponi di una composizione, segui il tutorial Importare una composizione in pacchetto nell'interfaccia utente prima di continuare.

Creare un modello

In Experience Platform, seleziona la scheda Models situata nel menu di navigazione a sinistra, quindi seleziona la scheda Sfoglia per visualizzare i modelli esistenti. Seleziona Create Model in alto a destra della pagina per iniziare il processo di creazione di un modello.

Sfogliare l'elenco delle Ricette esistenti, trovare e selezionare la Ricetta da utilizzare per creare il modello e selezionare Next.

Seleziona un set di dati di input appropriato e seleziona Next. Questo imposta il set di dati di formazione di input predefinito per il modello.

Fornisci un nome per il modello e controlla le configurazioni del modello di default. Le configurazioni predefinite sono state applicate durante la creazione della composizione, rivedi e modifica i valori di configurazione facendo doppio clic sui valori.

Per fornire un nuovo set di configurazioni, seleziona Upload New Config e trascina nella finestra del browser un file JSON contenente configurazioni del modello. Selezionare Finish per creare il modello.

NOTA

Le configurazioni sono univoche e specifiche per la composizione prevista, il che significa che le configurazioni per la ricetta vendite al dettaglio non funzioneranno per la ricetta Recommendations prodotto. Consulta la sezione reference per un elenco delle configurazioni di Ricetta vendite al dettaglio.

Creare un’esecuzione di formazione

In Experience Platform, seleziona la scheda Models situata nel menu di navigazione a sinistra, quindi seleziona la scheda Sfoglia per visualizzare i modelli esistenti. Individuare e selezionare il collegamento ipertestuale collegato al nome del modello che si desidera addestrare.

Vengono elencate tutte le esecuzioni di formazione esistenti con i relativi stati di formazione correnti. Per i modelli creati utilizzando l'interfaccia utente Data Science Workspace, un'esecuzione di formazione viene generata automaticamente e eseguita utilizzando le configurazioni predefinite e il set di dati di formazione per l'input.

Crea una nuova esecuzione di formazione selezionando Train in alto a destra nella pagina Panoramica modello.

Seleziona il set di dati di input per la formazione da eseguire, quindi seleziona Next.

Vengono visualizzate le configurazioni predefinite fornite durante la creazione del modello, modificate e modificate di conseguenza facendo doppio clic sui valori. Seleziona Finish per creare ed eseguire l’esecuzione del corso di formazione.

NOTA

Le configurazioni sono univoche e specifiche per la composizione prevista, il che significa che le configurazioni per la ricetta vendite al dettaglio non funzioneranno per la ricetta Recommendations prodotto. Consulta la sezione reference per un elenco delle configurazioni di Ricetta vendite al dettaglio.

Valutare il modello

In Experience Platform, seleziona la scheda Models situata nel menu di navigazione a sinistra, quindi seleziona la scheda Sfoglia per visualizzare i modelli esistenti. Individuare e selezionare il collegamento ipertestuale collegato al nome del modello da valutare.

seleziona modello

Vengono elencate tutte le esecuzioni di formazione esistenti con i relativi stati di formazione correnti. Con più esecuzioni di formazione completate, le metriche di valutazione possono essere confrontate tra diverse esecuzioni di formazione nel grafico di valutazione del modello. Seleziona una metrica di valutazione utilizzando l’elenco a discesa sopra il grafico.

La metrica Media Absolute Percent Error (MAPE) (Errore percentuale assoluto medio) esprime precisione come percentuale dell’errore. Viene utilizzato per identificare l’esperimento con le prestazioni migliori. Più basso è il MAPE, meglio è.

panoramica dei corsi di formazione

La metrica "precisione" descrive la percentuale di istanze rilevanti rispetto al totale recuperate Istanze. La precisione può essere vista come la probabilità che un risultato selezionato in modo casuale sia corretto.

esecuzione di più esecuzioni

Quando si seleziona un’esecuzione di formazione specifica, vengono descritti i dettagli dell’esecuzione aprendo la pagina di valutazione. Questa operazione può essere eseguita anche prima del completamento dell’esecuzione. Nella pagina di valutazione puoi vedere altre metriche di valutazione, parametri di configurazione e visualizzazioni specifiche dell’esecuzione del corso di formazione.

registri di anteprima

Puoi anche scaricare i registri attività per visualizzare i dettagli dell’esecuzione. I registri sono particolarmente utili per le esecuzioni non riuscite per vedere cosa è andato storto.

registri attività

Non è possibile addestrare i parametri ipertestuali e un modello deve essere ottimizzato testando diverse combinazioni di Hyperparameters. Ripeti questo processo di formazione e valutazione del modello fino a quando non avrai raggiunto un modello ottimizzato.

Passaggi successivi

Questa esercitazione illustra come creare, addestrare e valutare un modello in Data Science Workspace. Una volta arrivati a un modello ottimizzato, puoi utilizzare il modello addestrato per generare informazioni seguendo l’ esercitazione Punteggio di un modello nell’interfaccia utente .

Riferimenti

Configurazioni ricetta vendite al dettaglio

I parametri ipertestuali determinano il comportamento di formazione del Modello, la modifica di Hyperparameters influenzerà la precisione e la precisione del Modello:

| Iperparametro | Descrizione | Intervallo consigliato |
— | — |

| learning_rate | Il tasso di apprendimento riduce il contributo di ogni albero tramite learning_rate. C'è un compromesso tra learning_rate e n_estimatori. | 0,1 | [2 - 10] / numero di stimatori |
| n_estimatori | Numero di fasi di incremento da eseguire. Il miglioramento della sfumatura è abbastanza robusto per l'installazione eccessiva, quindi un numero elevato di solito si traduce in prestazioni migliori. | 100 | 100 - 1000 |
| max_depth | Profondità massima dei singoli stimatori di regressione. La profondità massima limita il numero di nodi nella struttura. Sintonizza questo parametro per ottenere prestazioni migliori; il valore migliore dipende dall’interazione delle variabili di input. | 3 | 4 - 10 |

I parametri aggiuntivi determinano le proprietà tecniche del modello:

Chiave parametro Tipo Descrizione
ACP_DSW_INPUT_FEATURES Stringa Elenco degli attributi dello schema di input separati da virgole.
ACP_DSW_TARGET_FEATURES Stringa Elenco degli attributi dello schema di output separati da virgole.
ACP_DSW_FEATURE_UPDATE_SUPPORT Booleano Determina se le funzioni di input e output sono modificabili
tenantId Stringa Questo ID assicura che le risorse create siano spuntate correttamente e contenute all’interno dell’organizzazione IMS. Segui i passaggi per trovare l’ID tenant.
ACP_DSW_TRAINING_XDM_SCHEMA Stringa Lo schema di input utilizzato per la formazione di un modello.
evaluation.labelColumn Stringa Etichetta colonna per le visualizzazioni di valutazione.
evaluation.metrics Stringa Elenco separato da virgole delle metriche di valutazione da utilizzare per la valutazione di un modello.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA Stringa Lo schema di output utilizzato per il punteggio di un modello.

In questa pagina

Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free
Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free
Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now
Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now