リアルタイム機械学習ノードリファレンス（アルファ）

ノードは、グラフが形成される基本単位です。 各ノードは特定のタスクを実行し、リンクを使用して連結し、ML パイプラインを表すグラフを形成できます。 ノードが実行するタスクは、データやスキーマの変換、機械学習の推論などの入力データに対する操作を表します。 ノードは、変換された値または推測される値を次のノードに出力します。

次のガイドでは、リアルタイム機械学習でサポートされるノードライブラリの概要を説明します。

ML パイプラインで使用するノードの検出

次のコードを Python ノートブックを使用して、使用可能なすべてのノードを表示できます。

from pprint import pprint

from rtml_nodelibs.core.nodefactory import NodeFactory as nf

# Discover Nodes
pprint(nf.discover_nodes())

応答の例

{'FieldOps': 'rtml_nodelibs.nodes.standard.preprocessing.fieldops.FieldOps',
 'FieldTrans': 'rtml_nodelibs.nodes.standard.preprocessing.fieldtrans.FieldTrans',
 'ModelUpload': 'rtml_nodelibs.nodes.standard.ml.artifact_utils.ModelUpload',
 'ONNXNode': 'rtml_nodelibs.nodes.standard.ml.onnx.ONNXNode',
 'Pandas': 'rtml_nodelibs.nodes.standard.preprocessing.pandasnode.Pandas',
 'Processor': 'rtml_nodelibs.nodes.standard.preprocessing.processor.Processor',
 'Receiver': 'rtml_nodelibs.nodes.standard.preprocessing.receiver.Receiver',
 'ScikitLearn': 'rtml_nodelibs.nodes.standard.ml.scikitlearn.ScikitLearn',
 'Simulator': 'rtml_nodelibs.nodes.standard.preprocessing.simulator.Simulator',
 'Split': 'rtml_nodelibs.nodes.standard.preprocessing.splitter.Split'}

標準ノード

標準ノードは、Pandas や ScikitLearn などのオープンソースデータサイエンスライブラリを基に構築されます。

ModelUpload

ModelUpload ノードは、model_path を取得し、ローカルモデルパスからリアルタイム機械学習 BLOB ストアにモデルをアップロードする内部Adobeノードです。

model = ModelUpload(params={'model_path': model_path})

msg_model = model.process(None, 1)

model_id = msg_model.model['model_id']

ONXNode

ONXNode は、モデル ID を使用して事前にトレーニングされた ONNX モデルを取り込み、それを使用して受信データに対するスコアを付ける内部Adobeノードです。

node_model_score = ONNXNode(params={"features": ['browser', 'device', 'login_page', 'product_page', 'search_page'], "model_id": model_id})

パンダ

次の Pandas ノードを使用すると、 pd.DataFrame メソッドまたは一般的な pandas の最上位機能を使用できます。 Pandas メソッドの詳細については、 Pandas メソッドドキュメント. トップレベルの関数について詳しくは、 一般的な関数向けの Pandas API リファレンスガイド.

以下のノードはを使用します。 "import": "map" メソッド名をパラメーター内の文字列として読み込み、パラメーターをマップ関数として入力します。 以下の例では、 {"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0}. マップを配置した後、次のオプションを設定できます。 inplace as True または False. 設定 inplace as True または False 変換をインプレースで適用するかどうかに基づきます。 デフォルト "inplace": False 新しい列を作成します。 新しい列名の提供のサポートは、今後のリリースで追加されるように設定されます。 最後の行 cols は、単一の列名または列のリストです。 変換を適用する列を指定します。 この例では、 device が指定されている。

#  df["device"] = df["device"].map({"Desktop":1, "Mobile":0}, na_action=0)

node_device_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0},
    "inplace": True,
    "cols": "device"})


# df["browser"] = df["browser"].map({"chrome": 1, "firefox": 0}, "na_action": 0})

node_browser_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"chrome": 1, "firefox": 0}, "na_action": 0},
    "inplace": True,
    "cols": "browser"})

ScikitLearn

ScikitLearn ノードを使用すると、任意の ScikitLearn ML モデルまたはスケーラを読み込むことができます。 この例で使用される値の詳細については、次の表を参照してください。

model_train = ScikitLearn(params={
    "features":['browser', 'device', 'login_page', 'product_page', 'search_page'],
    "label": "payment_confirm",
    "mode": "train",
    "model_path": "resources/model.onnx",
    "params": {
        "model": "sklearn.linear_model.LogisticRegression",
        "model_params": {"solver": 'lbfgs'}
    }})
msg6 = model_train.process(msg5)

Split

次のノードを使用して、を渡すことで、データフレームをトレーニングとテストに分割します。 train_size または test_size. これにより、複数インデックスを持つデータフレームが返されます。 次の例を使用して、トレーニングとテストのデータフレームにアクセスできます。 msg5.data.xs(“train”).

splitter = Split(params={"train_size": 0.7})
msg5 = splitter.process(msg4)

次の手順

次の手順では、リアルタイムの機械学習モデルのスコアリングに使用するノードを作成します。 詳しくは、 リアルタイムの機械学習ノートブックユーザーガイド.