Treinar e avaliar um modelo na interface do usuário da Data Science Workspace

Na Adobe Experience Platform Data Science Workspace, um Modelo de aprendizado de máquina é criado pela incorporação de uma Receita existente adequada à intenção do Modelo. O Modelo é então treinado e avaliado para otimizar sua eficiência e eficiência operacional ajustando seus hiperparâmetros associados. As receitas são reutilizáveis, o que significa que vários Modelos podem ser criados e adaptados para fins específicos com uma única Receita.

Este tutorial percorre as etapas para criar, treinar e avaliar um Modelo.

Introdução

Para concluir este tutorial, é necessário ter acesso a Experience Platform. Se você não tiver acesso a uma Organização IMS em Experience Platform, fale com o administrador do sistema antes de continuar.

Este tutorial requer uma Receita existente. Se você não tiver uma Receita, siga o tutorial Importar uma Receita empacotada na interface do usuário antes de continuar.

Criar um modelo

1. No Adobe Experience Platform, clique no link Modelos localizado na coluna de navegação esquerda para lista de todos os Modelos existentes. Clique em Criar modelo próximo à parte superior direita da página para iniciar um processo de criação de Modelo.
   

2. Navegue pela lista de Receitas existentes, localize e selecione a Receita a ser usada para criar o Modelo e clique em Próximo.
   

3. Selecione um conjunto de dados de entrada apropriado e clique em Next. Isso definirá o conjunto de dados de treinamento de entrada padrão para o Modelo.
   

4. Forneça um nome para o Modelo e reveja as configurações padrão do Modelo. As configurações padrão foram aplicadas durante a criação da Receita, a análise e a modificação dos valores de configuração clicando nos valores com o duplo. Para fornecer um novo conjunto de configurações, clique em Carregar nova configuração e arraste um arquivo JSON que contém configurações de Modelo para a janela do navegador. Clique em Concluir para criar o Modelo.

   OBSERVAÇÃO

   As configurações são exclusivas e específicas para a Receita pretendida, o que significa que as configurações para a Receita de Vendas de Varejo não funcionarão para a Receita Recommendations do Produto. Consulte a seção reference para obter uma lista das configurações de Receita de Vendas de Varejo.

   

Criar uma execução de treinamento

1. No Adobe Experience Platform, clique no link Modelos localizado na coluna de navegação esquerda para lista de todos os Modelos existentes. Localize e clique no nome do Modelo a ser treinado.
   

2. Todas as execuções de treinamento existentes com seus status de treinamento atuais são listadas. Para Modelos criados usando a interface do usuário Data Science Workspace, uma execução de treinamento é gerada e executada automaticamente usando as configurações padrão e o conjunto de dados de treinamento de entrada.
   

3. Crie uma nova execução de treinamento clicando em Treinar próximo ao canto superior direito da página de visão geral do Modelo.
   

4. Selecione o conjunto de dados de entrada de treinamento para a execução de treinamento e clique em Próximo.
   

5. As configurações padrão fornecidas durante a criação do Modelo são mostradas, alteram-as e modificam-nas de acordo, clicando nos valores com o duplo. Clique em Concluir para criar e executar a execução do treinamento.

   OBSERVAÇÃO

   As configurações são exclusivas e específicas para a Receita pretendida, o que significa que as configurações para a Receita de Vendas de Varejo não funcionarão para a Receita Recommendations do Produto. Consulte a seção reference para obter uma lista das configurações de Receita de Vendas de Varejo.

   

Avaliar o modelo

1. No Adobe Experience Platform, clique no link Modelos localizado na coluna de navegação esquerda para lista de todos os Modelos existentes. Localize e clique no nome do Modelo a ser avaliado.
   

2. Todas as execuções de treinamento existentes com seus status de treinamento atuais são listadas. Com várias execuções de treinamento concluídas, as métricas de avaliação podem ser comparadas em diferentes execuções de treinamento no gráfico de avaliação do Modelo, selecione uma métrica de avaliação usando a lista suspensa acima do gráfico.

   A métrica Erro médio absoluto de porcentagem (MAPE) expressa a precisão como uma porcentagem do erro. Isso é usado para identificar o Experimento de melhor desempenho. Quanto menor a MAPE, melhor.

   

   A métrica "Precisão" descreve a porcentagem de Instâncias relevantes comparada ao total de Instâncias recuperadas. A precisão pode ser vista como a probabilidade de um resultado selecionado aleatoriamente estar correto.
   

   Clique em uma execução de treinamento específica para visualização dos detalhes dessa execução. Isso pode ser feito mesmo antes da execução ser concluída. Na página de detalhes da execução, você pode ver outras métricas de avaliação, parâmetros de configuração e visualizações específicas para a execução do treinamento. Você também pode baixar registros de atividades para ver os detalhes da execução. Os registros são particularmente úteis para execuções com falha para ver o que deu errado.
   

3. Hiperparâmetros não podem ser treinados e um Modelo deve ser otimizado testando diferentes combinações de Hiperparâmetros. Repita esse processo de treinamento e avaliação do Modelo até chegar a um Modelo otimizado.

Próximas etapas

Este tutorial o orientou pela criação, treinamento e avaliação de um Modelo em Data Science Workspace. Depois de chegar a um Modelo otimizado, você pode usar o Modelo treinado para gerar insights seguindo o tutorial Pontuar um modelo na interface do usuário.

Referência

Configurações de receita de vendas de varejo

Os hiperparâmetros determinam o comportamento de treinamento do Modelo, modificando os hiperparâmetros afetará a precisão e precisão do Modelo:

Parâmetros adicionais determinam as propriedades técnicas do Modelo: