Een verpakt recept importeren in de gebruikersinterface van de Data Science Workspace

Deze zelfstudie biedt inzicht in het configureren en importeren van een verpakt recept met behulp van het meegeleverde voorbeeld Detailhandel. Aan het einde van deze zelfstudie bent u klaar om een model te maken, te trainen en te evalueren in Adobe Experience Platform Data Science Workspace.

Vereisten

Voor deze zelfstudie is een recept in een pakket nodig in de vorm van een URL voor een Docker-afbeelding. Bekijk de zelfstudie over hoe u Bronbestanden in een pakket plaatsen in een ontvanger voor meer informatie .

UI-workflow

Een verpakt recept importeren in Data Science Workspace vereist specifieke receptconfiguraties, gecompileerd in één JSON-bestand (JavaScript Object Notation). Deze compilatie van recept-configuraties wordt het configuratiebestand genoemd. Een verpakt recept met een bepaalde set configuraties wordt een recept-exemplaar genoemd. Met één recept kunt u veel recept-varianten maken in Data Science Workspace.

De workflow voor het importeren van een pakketrecept bestaat uit de volgende stappen:

Een recept configureren configure

Elk recept-exemplaar in Data Science Workspace gaat vergezeld van een reeks configuraties die het recept-exemplaar aanpassen aan een bepaald gebruiksgeval. De dossiers van de configuratie bepalen het standaardopleiding en het scoren gedrag van een Model dat gebruikend dit recept geval wordt gecreeerd.

Hieronder ziet u een voorbeeldconfiguratiebestand met standaardtraining en scoring voor het detailhandelsverkooprecept.

[
    {
        "name": "train",
        "parameters": [
            {
                "key": "learning_rate",
                "value": "0.1"
            },
            {
                "key": "n_estimators",
                "value": "100"
            },
            {
                "key": "max_depth",
                "value": "3"
            },
            {
                "key": "ACP_DSW_INPUT_FEATURES",
                "value": "date,store,storeType,storeSize,temperature,regionalFuelPrice,markdown,cpi,unemployment,isHoliday"
            },
            {
                "key": "ACP_DSW_TARGET_FEATURES",
                "value": "weeklySales"
            },
            {
                "key": "ACP_DSW_FEATURE_UPDATE_SUPPORT",
                "value": false
            },
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key": "ACP_DSW_TRAINING_XDM_SCHEMA",
                "value": "{SEE BELOW FOR DETAILS}"
            },
            {
                "key": "evaluation.labelColumn",
                "value": "weeklySalesAhead"
            },
            {
                "key": "evaluation.metrics",
                "value": "MAPE,MAE,RMSE,MASE"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key":"ACP_DSW_SCORING_RESULTS_XDM_SCHEMA",
                "value":"{SEE BELOW FOR DETAILS}"
            }
        ]
    }
]

Voor deze zelfstudie kunt u de standaardconfiguratiebestanden voor het recept voor detailhandel in het dialoogvenster Data Science Workspace Verwijs naar de manier waarop ze zijn.

Op Docker gebaseerde recept importeren - Python python

Begin door te navigeren en te selecteren Workflows in de linkerbovenhoek van het Platform UI. Selecteer vervolgens Importeerrecept en selecteert u Launch.

De Configureren pagina voor de Importeerrecept wordt weergegeven. Voer een naam en beschrijving in voor het recept en selecteer Next in de rechterbovenhoek.

Zodra u op Bron selecteren pagina, plakt u de URL van Docker die overeenkomt met het verpakte recept dat is gemaakt met Python bronbestanden in het dialoogvenster Source URL veld. Importeer vervolgens het configuratiebestand door te slepen en neer te zetten of gebruik het bestandssysteem Browser. Het opgegeven configuratiebestand is te vinden op experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Selecteren Python in de Runtime vervolgkeuzelijst en Classification in de Type vervolgkeuzelijst. Als alles is ingevuld, selecteert u Next in de rechterbovenhoek om door te gaan naar Schema's beheren.

Selecteer vervolgens de invoer- en uitvoerschema's voor detailhandel onder de sectie Schema's beheren, zijn ze gemaakt met het opgegeven laarstaarscript in het dialoogvenster het detailhandelschema en de dataset creëren zelfstudie.

Onder de Functiebeheer de sectie, selecteert op uw huurdersidentificatie in de schemakijker om het de inputschema van de Verkoop van de Detailhandel uit te breiden. Selecteer de invoer- en uitvoerfuncties door de gewenste functie te markeren en kies een van de volgende opties Input Feature of Target Feature rechts Field Properties venster. Voor deze zelfstudie stelt u weeklySales als de Target Feature en alle andere Input Feature. Selecteren Next om uw nieuwe gevormde recept te herzien.

Bekijk het recept, voeg configuraties toe, wijzig of verwijder configuraties zoals nodig. Selecteren Finish om het recept te maken.

Ga door naar de volgende stappen om te weten te komen hoe te om een Model tot stand te brengen in Data Science Workspace met behulp van het nieuwe detailhandelsrecept.

Op Docker gebaseerde recept importeren - R r

Begin door te navigeren en te selecteren Workflows in de linkerbovenhoek van het Platform UI. Selecteer vervolgens Importeerrecept en selecteert u Launch.

De Configureren pagina voor de Importeerrecept wordt weergegeven. Voer een naam en beschrijving in voor het recept en selecteer Next in de rechterbovenhoek.

Zodra u op Bron selecteren pagina, plakt u de URL van Docker die overeenkomt met het verpakte recept dat is gemaakt met R-bronbestanden in het dialoogvenster Source URL veld. Importeer vervolgens het configuratiebestand door te slepen en neer te zetten of gebruik het bestandssysteem Browser. Het opgegeven configuratiebestand is te vinden op experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Selecteren R in de Runtime vervolgkeuzelijst en Classification in de Type vervolgkeuzelijst. Als alles is ingevuld, selecteert u Next in de rechterbovenhoek om door te gaan naar Schema's beheren.

Selecteer vervolgens de invoer- en uitvoerschema's voor detailhandel onder de sectie Schema's beheren, zijn ze gemaakt met het opgegeven laarstaarscript in het dialoogvenster het detailhandelschema en de dataset creëren zelfstudie.

Onder de Functiebeheer de sectie, selecteert op uw huurdersidentificatie in de schemakijker om het de inputschema van de Verkoop van de Detailhandel uit te breiden. Selecteer de invoer- en uitvoerfuncties door de gewenste functie te markeren en kies een van de volgende opties Input Feature of Target Feature rechts Field Properties venster. Voor deze zelfstudie stelt u weeklySales als de Target Feature en alle andere Input Feature. Selecteren Next om uw nieuwe Gevormde recept te herzien.

Bekijk het recept, voeg configuraties toe, wijzig of verwijder configuraties zoals nodig. Selecteren Voltooien om het recept te maken.

Ga door naar de volgende stappen om te weten te komen hoe te om een Model tot stand te brengen in Data Science Workspace met behulp van het nieuwe detailhandelsrecept.

Op docker gebaseerde recept importeren - PySpark pyspark

Begin door te navigeren en te selecteren Workflows in de linkerbovenhoek van het Platform UI. Selecteer vervolgens Importeerrecept en selecteert u Launch.

De Configureren pagina voor de Importeerrecept wordt weergegeven. Voer een naam en beschrijving in voor het recept en selecteer Next in de rechterbovenhoek om verder te gaan.

Zodra u op Bron selecteren pagina, plakt u de URL van Docker die overeenkomt met het verpakte recept dat is samengesteld met PySpark-bronbestanden in het dialoogvenster Source URL veld. Importeer vervolgens het configuratiebestand door te slepen en neer te zetten of gebruik het bestandssysteem Browser. Het opgegeven configuratiebestand is te vinden op experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Selecteren PySpark in de Runtime vervolgkeuzelijst. Als de PySpark-runtime is geselecteerd, wordt het standaardartefact automatisch gevuld tot Docker. Selecteer vervolgens Classification in de Type vervolgkeuzelijst. Als alles is ingevuld, selecteert u Next in de rechterbovenhoek om door te gaan naar Schema's beheren.

Selecteer vervolgens de invoer- en uitvoerschema's voor de detailhandel met de Schema's beheren selector, werden de schema's gecreeerd gebruikend het verstrekte laarsmanuscript in het detailhandelschema en de dataset creëren zelfstudie.

Onder de Functiebeheer de sectie, selecteert op uw huurdersidentificatie in de schemakijker om het de inputschema van de Verkoop van de Detailhandel uit te breiden. Selecteer de invoer- en uitvoerfuncties door de gewenste functie te markeren en kies een van de volgende opties Input Feature of Target Feature rechts Field Properties venster. Voor deze zelfstudie stelt u weeklySales als de Target Feature en alle andere Input Feature. Selecteren Next om uw nieuwe gevormde recept te herzien.

Bekijk het recept, voeg configuraties toe, wijzig of verwijder configuraties zoals nodig. Selecteren Finish om het recept te maken.

Ga door naar de volgende stappen om te weten te komen hoe te om een Model tot stand te brengen in Data Science Workspace met behulp van het nieuwe detailhandelsrecept.

Op Docker gebaseerde recept importeren - Scala scala

Begin door te navigeren en te selecteren Workflows in de linkerbovenhoek van het Platform UI. Selecteer vervolgens Importeerrecept en selecteert u Launch.

De Configureren pagina voor de Importeerrecept wordt weergegeven. Voer een naam en beschrijving in voor het recept en selecteer Next in de rechterbovenhoek om verder te gaan.

Zodra u op Bron selecteren plakken, plakt u de URL van Docker die overeenkomt met het verpakte recept dat is samengesteld met Scala-bronbestanden in het veld Bron-URL. Importeer vervolgens het opgegeven configuratiebestand door te slepen en neer te zetten of gebruik de bestandssysteembrowser. Het opgegeven configuratiebestand is te vinden op experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Selecteren Spark in de Runtime vervolgkeuzelijst. Wanneer de Spark runtime wordt geselecteerd als standaardartefact dat automatisch wordt gevuld Docker. Selecteer vervolgens Regression van de Type vervolgkeuzelijst. Als alles is ingevuld, selecteert u Next in de rechterbovenhoek om door te gaan naar Schema's beheren.

Selecteer vervolgens de invoer- en uitvoerschema's voor de detailhandel met de Schema's beheren selector, werden de schema's gecreeerd gebruikend het verstrekte laarsmanuscript in het detailhandelschema en de dataset creëren zelfstudie.

Onder de Functiebeheer de sectie, selecteert op uw huurdersidentificatie in de schemakijker om het de inputschema van de Verkoop van de Detailhandel uit te breiden. Selecteer de invoer- en uitvoerfuncties door de gewenste functie te markeren en kies een van de volgende opties Input Feature of Target Feature rechts Field Properties venster. Voor deze zelfstudie stelt u "weeklySales" als de Target Feature en alle andere Input Feature. Selecteren Next om uw nieuwe gevormde recept te herzien.

Bekijk het recept, voeg configuraties toe, wijzig of verwijder configuraties zoals nodig. Selecteren Finish om het recept te maken.

Ga door naar de volgende stappen om te weten te komen hoe te om een Model tot stand te brengen in Data Science Workspace met behulp van het nieuwe detailhandelsrecept.

Volgende stappen next-steps

Deze zelfstudie gaf inzicht in het configureren en importeren van een recept in Data Science Workspace. U kunt nu een model maken, trainen en evalueren met het nieuwe recept.