Een model trainen en evalueren in de gebruikersinterface van Data Science Workspace

In Adobe Experience Platform Data Science Workspace wordt een machine-learningmodel gemaakt door een bestaande ontvanger op te nemen die geschikt is voor de bedoeling van het model. Vervolgens wordt het model getraind en geëvalueerd om de efficiëntie en werkzaamheid van het systeem te optimaliseren door de bijbehorende hyperparameters te verfijnen. Ontvangers zijn herbruikbaar, wat betekent dat meerdere modellen kunnen worden gemaakt en afgestemd op specifieke doeleinden met één ontvanger.

Deze zelfstudie doorloopt de stappen voor het maken, trainen en evalueren van een model.

Aan de slag

Als u deze zelfstudie wilt voltooien, moet u toegang hebben tot Experience Platform . Als u in Experience Platform geen toegang hebt tot een organisatie, neemt u contact op met de systeembeheerder voordat u verdergaat.

Voor deze zelfstudie is een bestaande ontvanger vereist. Als u geen Ontvanger hebt, volg de Invoer een verpakte Ontvanger in UIleerprogramma alvorens verder te gaan.

Een model maken

Selecteer in het Experience Platform de tab Models in de linkernavigatie en selecteer vervolgens het tabblad Bladeren om uw bestaande modellen weer te geven. Selecteer Create Model in de rechterbovenhoek van de pagina om te beginnen met het maken van een model.

Blader door de lijst met bestaande ontvangers, zoek en selecteer de ontvanger die u wilt gebruiken om het model te maken en selecteer Next .

Selecteer een geschikte gegevensset en selecteer Next . Hiermee stelt u de standaardgegevensset voor de invoertraining voor het model in.

Geef een naam op voor het model en bekijk de standaardmodelconfiguraties. Er zijn standaardconfiguraties toegepast tijdens het maken van de ontvanger, het controleren en wijzigen van de configuratiewaarden door te dubbelklikken op de waarden.

Als u een nieuwe set configuraties wilt opgeven, selecteert u Upload New Config en sleept u een JSON-bestand met modelconfiguraties naar het browservenster. Selecteer Finish om het model te maken.

Een trainingsrun maken

Selecteer in Experience Platform de tab Models in de linkernavigatie en selecteer vervolgens het tabblad Bladeren om uw bestaande modellen weer te geven. Zoek en selecteer de hyperlink die is gekoppeld aan de naam van het model dat u wilt trainen.

Alle bestaande trainingsprogramma's met hun huidige trainingsstatus worden weergegeven. Voor Modellen die worden gecreeerd gebruikend het Data Science Workspace gebruikersinterface, wordt een trainingslooppas automatisch geproduceerd en uitgevoerd gebruikend de standaardconfiguraties en de dataset van de inputopleiding.

Maak een nieuwe trainingsrun door Train in de rechterbovenhoek van de overzichtspagina van het model te selecteren.

Selecteer de dataset van de trainingsinput voor de trainingsrun en selecteer vervolgens Next .

De standaardconfiguraties die tijdens de creatie van het Model worden verstrekt worden getoond, veranderen en wijzigen dienovereenkomstig door de waarden tweemaal te klikken. Selecteer Finish om de trainingsrun te maken en uit te voeren.

Evalueer het model

Selecteer in het Experience Platform de tab Models in de linkernavigatie en selecteer vervolgens het tabblad Bladeren om uw bestaande modellen weer te geven. Zoek en selecteer de hyperlink die is gekoppeld aan de naam van het model dat u wilt evalueren.

Alle bestaande trainingsruns met hun huidige trainingsstatus worden vermeld. Met veelvoudige voltooide trainingslooppas, kunnen de evaluatiemetrieken over verschillende opleidingslooppas in de Modelgrafiek van de Beoordeling worden vergeleken. Selecteer een evaluatiemetrisch met behulp van de vervolgkeuzelijst boven de grafiek.

De gemiddelde absolute foutenpercentage (MAPE) metrisch drukt nauwkeurigheid als percentage van de fout uit. Hiermee wordt het best presterende experiment geïdentificeerd. Hoe lager de MAPE, hoe beter.

De metrische "Precisie"beschrijft het percentage relevante Instanties vergeleken met het totaal teruggewonnen Instanties. Precisie kan worden gezien als de waarschijnlijkheid dat een willekeurig gekozen uitkomst correct is.

Het selecteren van een specifieke trainingslooppas verstrekt de details van die looppas door de evaluatiepagina te openen. Dit kan zelfs worden gedaan voordat de run is voltooid. Op de evaluatiepagina kunt u andere evaluatiemetrieken, configuratieparameters, en visualisaties zien specifiek voor de trainingslooppas.

U kunt activiteitenlogboeken ook downloaden om de details van de looppas te zien. Logboeken zijn vooral handig voor mislukte runs om te zien wat er mis ging.

Hyperparameters kunnen niet worden getraind en een model moet worden geoptimaliseerd door verschillende combinaties van Hyperparameters te testen. Herhaal dit training- en evaluatieproces voor het model totdat u tot een geoptimaliseerd model bent gekomen.

Volgende stappen

Deze zelfstudie leidde u door het maken, trainen en evalueren van een model in Data Science Workspace . Zodra u bij een geoptimaliseerd Model bent aangekomen, kunt u het getrainde Model gebruiken om inzichten te produceren door de Score een Model in het UIleerprogramma te volgen.

Verwijzing reference

Retail Sales Recipe-configuraties

Hyperparameters bepalen het trainingsgedrag van het model. Als u hyperparameters wijzigt, is dit van invloed op de nauwkeurigheid en precisie van het model:

Aanvullende parameters bepalen de technische eigenschappen van het model: