Creare la ricetta della propensione Luma

Un componente principale del ciclo di vita Data Science Workspace prevede l'authoring di ricette e modelli. Il modello di propensione Luma è progettato per generare una previsione sulla probabilità che i clienti abbiano un’elevata propensione ad acquistare un prodotto da Luma.

Per creare il modello di propensione Luma, viene utilizzato il modello per la generazione di formule. Le ricette sono la base per un Modello, in quanto contengono algoritmi di apprendimento automatico e logica progettata per risolvere problemi specifici. Fatto ancora più importante, le ricette consentono di democratizzare l’apprendimento automatico nell’organizzazione, consentendo ad altri utenti di accedere a un modello per casi d’uso diversi senza scrivere codice.

Segui l'esercitazione creare un modello utilizzando JupyterLab Notebooks per creare la ricetta del modello di propensione Luma utilizzata nelle esercitazioni successive.

Importa e crea un pacchetto di una ricetta da origini esterne (facoltativo)

Se desideri importare e creare un pacchetto di una ricetta da utilizzare in Data Science Workspace, devi creare il pacchetto dei file sorgente in un file di archivio. Segui i file di origine del pacchetto in un'esercitazione ricetta. Questa esercitazione mostra come creare pacchetti di file di origine in una ricetta, che è il passaggio preliminare per importare una ricetta in Data Science Workspace. Al termine dell’esercitazione, viene fornita un’immagine Docker in un registro dei contenitori di Azure, insieme all’URL dell’immagine corrispondente, ovvero un file di archivio.

Questo file di archivio può essere utilizzato per creare una ricetta in Data Science Workspace seguendo il flusso di lavoro di importazione della ricetta con il flusso di lavoro dell'interfaccia utente o il flusso di lavoro dell'API.

Addestrare e valutare un modello

Ora che i dati sono preparati e una ricetta è pronta, puoi creare, addestrare e valutare ulteriormente il modello di apprendimento automatico. Durante l’utilizzo del Generatore di ricette, avresti già dovuto addestrare, valutare e valutare il modello prima di confezionarlo in una ricetta.

L’interfaccia utente e l’API di Data Science Workspace consentono di pubblicare la ricetta come modello. È inoltre possibile perfezionare aspetti specifici del modello, ad esempio l'aggiunta, la rimozione e la modifica di iperparametri.

Creare un modello

Per ulteriori informazioni sulla creazione di un modello tramite l'interfaccia utente, visita il treno e valuta un modello nell'esercitazione dell'interfaccia utente di Data Science Workspace o nell'esercitazione dell'API. Questo tutorial fornisce un esempio su come creare, addestrare e aggiornare iperparametri per perfezionare il modello.

NOTA
Gli iperparametri non possono essere appresi, pertanto devono essere assegnati prima delle esecuzioni di addestramento. La regolazione degli iperparametri può modificare la precisione del modello addestrato. Poiché l’ottimizzazione di un modello è un processo iterativo, possono essere necessarie più esecuzioni di addestramento prima che venga raggiunta una valutazione soddisfacente.

Valutazione di un modello

Il passaggio successivo nella creazione e pubblicazione di un modello consiste nel rendere operativo il modello per valutare e sfruttare le informazioni provenienti dal data lake e dal profilo cliente in tempo reale.

Il punteggio in Data Science Workspace può essere ottenuto inserendo i dati di input in un modello addestrato esistente. I risultati del punteggio vengono quindi memorizzati e visualizzabili in un set di dati di output specificato come nuovo batch.

Per informazioni su come assegnare un punteggio al modello, visita l'esercitazione sull'interfaccia utente per il modello o l'esercitazione sull'API .