Een model trainen en evalueren in de gebruikersinterface van de Data Science Workspace
In de Werkruimte van de Wetenschap van Gegevens van Adobe Experience Platform, wordt een machine het leren Model gecreeerd door bestaande Ontvanger op te nemen die voor de intentie van het Model aangewezen is. Het model wordt vervolgens getraind en geëvalueerd om de efficiëntie en werkzaamheid van de werking te optimaliseren door de bijbehorende hyperparameters te verfijnen. Ontvangers zijn herbruikbaar, wat betekent dat er meerdere modellen kunnen worden gemaakt en op specifieke doeleinden kunnen worden afgestemd 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 geen toegang hebt tot een organisatie in Experience Platform, spreek gelieve met uw systeembeheerder alvorens te werk te gaan.
Voor deze zelfstudie is een bestaande ontvanger vereist. Als u geen Ontvanger hebt, volg Een gecomprimeerde ontvanger importeren in de gebruikersinterface zelfstudie voordat u verdergaat.
Een model maken
Selecteer in Experience Platform de optie Models in de linkernavigatie en selecteer vervolgens het tabblad Bladeren om uw bestaande modellen weer te geven. Selecteren Create Model rechtsboven op de pagina om een modelontwerpproces te starten.
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 wordt de standaardgegevensset voor de invoertraining voor het model ingesteld.
Geef een naam op voor het model en bekijk de standaardmodelconfiguraties. De standaardconfiguraties zijn toegepast tijdens het maken van Recipe, herzie en wijzig de configuratiewaarden door op de waarden te dubbelklikken.
Selecteer Upload New Config en sleep een JSON-bestand met Modelconfiguraties naar het browservenster. Selecteren Finish om het model te maken.
Een trainingsrun maken
Selecteer in Experience Platform de optie 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 zijn gemaakt met de opdracht Data Science Workspace gebruikersinterface, wordt een trainingslooppas automatisch geproduceerd en uitgevoerd gebruikend de standaardconfiguraties en de dataset van de inputopleiding.
Een nieuwe training maken door Train in de buurt van de rechterbovenhoek van de overzichtspagina Model.
Selecteer de dataset van de opleidingsinput voor de trainingslooppas, dan selecteren Next.
De standaardconfiguraties die tijdens de creatie van het Model worden verstrekt worden getoond, veranderen en wijzigen dienovereenkomstig door de waarden tweemaal te klikken. Selecteren Finish om de trainingsrun te maken en uit te voeren.
Het model evalueren
Selecteer in Experience Platform de optie 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 trainingsprogramma's met hun huidige trainingsstatus worden weergegeven. Met veelvoudige voltooide trainingslooppas, kunnen de evaluatiemetriek over verschillende opleidingslooppas in de Modelbeoordelinggrafiek worden vergeleken. Selecteer een evaluatiemetrisch gebruikend dropdown lijst boven de grafiek.
De gemiddelde absolute foutenpercentage (MAPE) metrisch drukt nauwkeurigheid als percentage van de fout uit. Dit wordt gebruikt om het best presterende Experiment te identificeren. Hoe lager de MAPE, hoe beter.
De "precisiemetrie" beschrijft het percentage relevante instanties in vergelijking met het totaal opgehaald Instanties. Precisie kan worden gezien als de waarschijnlijkheid dat een willekeurig gekozen resultaat correct is.
Het selecteren van een specifieke trainingslooppas verstrekt de details van die looppas door de evaluatiepagina te openen. Dit kan zelfs worden gedaan alvorens de looppas is voltooid. Op de evaluatiepagina, kunt u andere evaluatiemetriek, configuratieparameters, en visualisaties zien specifiek voor de trainingslooppas.
U kunt activiteitenlogboeken ook downloaden om de details van de looppas te zien. Logs zijn vooral nuttig voor mislukte looppas om te zien wat verkeerd ging.
Hyperparameters kunnen niet worden getraind en een model moet worden geoptimaliseerd door verschillende combinaties van Hyperparameters te testen. Herhaal deze training en evaluatie-procedure voor het model totdat u een geoptimaliseerd model hebt behaald.
Volgende stappen
In deze zelfstudie hebt u een model gemaakt, getraind en geëvalueerd in Data Science Workspace. Als u eenmaal een geoptimaliseerd model hebt gekozen, kunt u het opgeleide model gebruiken om inzichten te genereren door het volgende te doen: Score een Model in UI zelfstudie.
Referenties reference
Retail Sales Recipe-configuraties
Hyperparameters bepalen het trainingsgedrag van het model. Als u de hyperparameters wijzigt, is dit van invloed op de nauwkeurigheid en precisie van het model:
Aanvullende parameters bepalen de technische eigenschappen van het model:
ACP_DSW_INPUT_FEATURES
ACP_DSW_TARGET_FEATURES
ACP_DSW_FEATURE_UPDATE_SUPPORT
tenantId
ACP_DSW_TRAINING_XDM_SCHEMA
evaluation.labelColumn
evaluation.metrics
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA