Skapa scheman och datauppsättningar för Luma-benägenhetsmodellen
I den här självstudiekursen får du de krav och resurser som krävs för alla andra Adobe Experience Platform Data Science Workspace självstudiekurser. När detta är klart är följande scheman och datauppsättningar tillgängliga för dig och din organisation.
Scheman:
- Luma-webbdataschema
- Resultatschema för poängsättningsmodell för benägenhetsmodell
Datauppsättningar:
- Luma web dataset
- Utbildningsdata för modell av benägenhet
- Datauppsättning för bedömning av sannolikhetsmodell
- Resultatdatauppsättning för bedömning av sannolikhetsmodell
Hämta resurserna assets
I följande självstudie används en anpassad Luma-modell för köpbenägenhet. Ladda ned zip-mappen för nödvändiga resurser innan du fortsätter. Mappen innehåller:
- Modell för inköpsbenägenhet
- En anteckningsbok som används för att importera data till en utbildnings- och bedömningsdatauppsättning (en deluppsättning av Lumas webbdata)
- En demo-JSON-fil som innehåller webbdata för 730 000 Luma-användare
- En bärbar dator med Python 3 EDA (explorativ dataanalys) som kan användas som tillval för att förstå webbdata och webbmodell.
Skapa Luma-webbdataramat och importera data
För att kunna skapa en modell måste du ha en datauppsättning i Platform som används för att utbilda och bedöma modellen. I följande videofilm från Data Science Workspace-kursen får du hjälp med att skapa Luma-schemat och inhämta data som används av inköpsbenägenhetsmodellen.
Skapa datauppsättningar för kurser, poängsättning och poängsättning
Om du vill köra den bärbara datorn för recept builder eller använda API:t för att utbilda och klassificera en modell måste du ange de datamängder och scheman som används för utbildning/poängsättning. I följande videofilm får du hjälp med att konfigurera datamängder för utbildning, poängsättning och poängsättning samt det poängresultatschema som används i Lumas modell för köpbenägenhet.
Nästa steg
I den här självstudiekursen har du skapat de scheman och datamängder som krävs för Luma-benägenhetsmodellen. Du kan nu fortsätta med nästa självstudiekurs och skapa modellen med självstudiekursen recept builder för anteckningsbok.
Dessutom kan du utforska data med den medföljande EDA-anteckningsboken (Exploratory Data Analysis). Den här anteckningsboken kan användas för att förstå mönster i Luma-data, kontrollera datavården och sammanfattar relevanta data för den prediktiva benägenhetsmodellen. Om du vill veta mer om Analys av experimentella data kan du gå till EDA-dokumentationen.