Importera ett paketerat recept i användargränssnittet i Data Science Workspace

I den här självstudiekursen får du information om hur du konfigurerar och importerar ett paketerat recept med hjälp av det angivna exemplet på detaljhandelsförsäljning. I slutet av den här självstudiekursen kan du skapa, utbilda och utvärdera en modell i Adobe Experience Platform Data Science Workspace.

Förhandskrav

Den här självstudiekursen kräver ett paketerat recept i form av en Docker-bild-URL. Mer information finns i självstudiekursen om hur du paketerar källfiler i en recept.

Arbetsflöde för användargränssnitt

För import av ett paketerat recept till Data Science Workspace krävs specifika receptkonfigurationer, som kompileras till en enda JSON-fil (JavaScript Object Notation). Den här kompileringen av receptkonfigurationer kallas konfigurationsfilen. Ett paketerat recept med en viss uppsättning konfigurationer kallas en recept-instans. Ett recept kan användas för att skapa många receptinstanser i Data Science Workspace.

Arbetsflödet för att importera ett paketrecept består av följande steg:

Konfigurera ett recept configure

Varje recept-instans i Data Science Workspace åtföljs av en uppsättning konfigurationer som anpassar receptinstansen så att den passar ett visst användningsfall. Konfigurationsfiler definierar standardutbildnings- och bedömningsbeteenden för en modell som skapas med den här recept-instansen.

NOTE
Konfigurationsfilerna är recept- och versalspecifika.

Nedan visas ett exempel på en konfigurationsfil som visar standardutbildnings- och bedömningsbeteenden för recept för detaljhandelsförsäljning.

[
    {
        "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}"
            }
        ]
    }
]
Parameternyckel
Typ
Beskrivning
learning_rate
Nummer
Skala för övertoningsmultiplikation.
n_estimators
Nummer
Antal träd i skogen för slumpmässig skogsklassificering.
max_depth
Nummer
Maximalt djup i ett träd i slumpmässig skogsklassificering.
ACP_DSW_INPUT_FEATURES
Sträng
Lista med kommaavgränsade inmatningsschemaattribut.
ACP_DSW_TARGET_FEATURES
Sträng
Lista med kommaseparerade utdataschemaattribut.
ACP_DSW_FEATURE_UPDATE_SUPPORT
Boolean
Avgör om in- och utdatafunktionerna kan ändras
tenantId
Sträng
Detta ID garanterar att de resurser du skapar namnges korrekt och finns i din organisation. Följ stegen här för att hitta ditt klient-ID.
ACP_DSW_TRAINING_XDM_SCHEMA
Sträng
Det indatarema som används för utbildning av en modell. Lämna detta tomt när du importerar i användargränssnittet, ersätt med utbildningsschemat-ID när du importerar med API.
evaluation.labelColumn
Sträng
Kolumnetikett för utvärderingsvisualiseringar.
evaluation.metrics
Sträng
Kommaavgränsad lista med mätvärden som ska användas för att utvärdera en modell.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
Sträng
Utdatamodeller som används för att klassificera en modell. Lämna detta tomt när du importerar i användargränssnittet, ersätt med betygsschemat-ID när du importerar med API.

I den här självstudiekursen kan du lämna standardkonfigurationsfilerna för butikssäljrecept i Data Science Workspace Reference på samma sätt som de är.

Importera Docker-baserat recept - Python python

Börja med att navigera och välja Workflows som finns i det övre vänstra hörnet i användargränssnittet i Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet.

konfigurera arbetsflöde

NOTE
I Paketkällfilerna i en Recipe-självstudie angavs en Docker-URL när butikssäljreceptet skapades med Python-källfiler.

När du är på sidan Välj källa klistrar du in den Docker-URL som motsvarar det paketerade receptet som skapats med Python källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Välj Python i listrutan Runtime och Classification i listrutan Type. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typen stöder Classification och Regression. Välj Custom om din modell inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) under avsnittet Hantera scheman, som skapades med det tillhandahållna bootstrap-skriptet i självstudiekursen Skapa försäljningsschema (butik) och datauppsättning.

Under avsnittet Funktionshantering väljer du på din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - R r

Börja med att navigera och välja Workflows som finns i det övre vänstra hörnet i användargränssnittet i Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet.

konfigurera arbetsflöde

NOTE
I Paketkällfilerna i en recept-självstudie angavs en Docker-URL när butikssäljreceptet skapades med R-källfiler.

När du är på sidan Välj källa klistrar du in den Docker-URL som motsvarar det paketerade recept som skapats med R-källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Välj R i listrutan Runtime och Classification i listrutan Type. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Type stöder Classification och Regression. Välj Custom om din modell inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) under avsnittet Hantera scheman, som skapades med det tillhandahållna bootstrap-skriptet i självstudiekursen Skapa försäljningsschema (butik) och datauppsättning.

Under avsnittet Funktionshantering väljer du på din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Slutför för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - PySpark pyspark

Börja med att navigera och välja Workflows som finns i det övre vänstra hörnet i användargränssnittet i Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet för att fortsätta.

konfigurera arbetsflöde

NOTE
I Paketkällfilerna i en Recipe-självstudiekurs angavs en Docker-URL när försäljningsreceptet för butik skapades med PySpark-källfiler.

När du är på sidan Välj källa klistrar du in den Docker-URL som motsvarar det paketerade recept som skapats med PySpark-källfiler i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filsystemet Webbläsare. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Välj PySpark i listrutan Runtime. När PySpark-miljön har valts fylls standardartefakten automatiskt i till Docker. Välj sedan Classification i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Type stöder Classification och Regression. Välj Custom om din modell inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) med väljaren Hantera schema. Scheman skapades med hjälp av det tillhandahållna bootstrap-skriptet i självstudiekursen för att skapa försäljningsschema (butik) och datamängd.

hantera scheman

Under avsnittet Funktionshantering väljer du på din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Importera Docker-baserat recept - Scala scala

Börja med att navigera och välja Workflows som finns i det övre vänstra hörnet i användargränssnittet i Platform. Välj sedan Importera recept och välj Launch.

Sidan Konfigurera för arbetsflödet Importera recept visas. Ange ett namn och en beskrivning för receptet och välj sedan Next i det övre högra hörnet för att fortsätta.

konfigurera arbetsflöde

NOTE
I Paketkällfilerna i en Recept-självstudie angavs en Docker-URL när butikssäljreceptet skapades med källfiler för Scala (Spark).

När du är på sidan Välj källa klistrar du in den Docker-URL som motsvarar det paketerade recept som skapats med källfiler från Scala i fältet Source URL. Importera sedan den angivna konfigurationsfilen genom att dra och släppa eller använd filläsaren. Den angivna konfigurationsfilen finns på experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Välj Spark i listrutan Runtime. När Spark-miljön har valts fylls standardartefakten automatiskt i till Docker. Välj sedan Regression i listrutan Typ. När allt har fyllts i väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typen stöder Classification och Regression. Välj Custom om din modell inte faller under någon av dessa typer.

Välj sedan in- och utdatamodeller (butik) med väljaren Hantera schema. Scheman skapades med hjälp av det tillhandahållna bootstrap-skriptet i självstudiekursen för att skapa försäljningsschema (butik) och datamängd.

hantera scheman

Under avsnittet Funktionshantering väljer du på din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Markera in- och utdatafunktionerna genom att markera den önskade funktionen och markera antingen Input Feature eller Target Feature i det högra Field Properties fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat som Input Feature. Välj Next om du vill granska ditt nya konfigurerade recept.

Granska recept, lägg till, ändra eller ta bort konfigurationer efter behov. Välj Finish för att skapa receptet.

Gå vidare till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nya försäljningsreceptet.

Nästa steg next-steps

I den här självstudiekursen fanns information om hur du konfigurerar och importerar ett recept till Data Science Workspace. Nu kan du skapa, utbilda och utvärdera en modell med hjälp av det nya receptet.

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9