Importera ett paketerat recept i användargränssnittet för datavetenskapen

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 är du redo att skapa, utbilda och utvärdera en modell i Adobe Experience Platform Data Science Workspace.

Förutsättningar

Den här självstudiekursen kräver ett paketerat recept i form av en Docker-bild-URL. Se självstudiekursen om hur du Paketera källfiler i en mottagare för mer information.

Arbetsflöde för användargränssnitt

Importera ett paketerat recept till Data Science Workspace kräver 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

Alla recept-instanser i Data Science Workspace åtföljs av en uppsättning konfigurationer som skräddarsyr recept-instansen 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 fallspecifika.

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
Siffra
Skala för övertoningsmultiplikation.
n_estimators
Siffra
Antal träd i skogen för slumpmässig skogsklassificering.
max_depth
Siffra
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 klientorganisations-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 butikssäljare i Data Science Workspace Se hur de är.

Importera Docker-baserat recept - Python python

Börja med att navigera och välja Workflows i det övre vänstra hörnet av Platform Gränssnitt. Nästa, välj Importera recept och markera Launch.

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

konfigurera arbetsflöde

NOTE
I Paketera källfiler i en mottagare Självstudiekursen innehöll en Docker URL när köpreceptet för butik byggdes med Pythons källfiler.

När du är på Välj källa sida, klistra in den Docker-URL som motsvarar det paketerade receptet som skapats med Python källfiler i Source URL fält. 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 Körning nedrullningsbar och Classification i Typ nedrullningsbar meny. När allt är ifyllt väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typstöd Classification och Regression. Om modellen inte faller under någon av dessa typer väljer du Custom.

Välj sedan in- och utdatamodeller (butik) under avsnittet Hantera scheman skapades de med det angivna bootstrap-skriptet i skapa försäljningsschema och datauppsättning för återförsäljning självstudiekurs.

Under Funktionshantering väljer du i din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Välj in- och utdatafunktioner genom att markera den önskade funktionen och välja antingen Input Feature eller Target Feature till höger Field Properties -fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat Input Feature. Välj Next för att granska ditt nya konfigurerade recept.

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

Gå till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nyligen skapade recept för butiksförsäljning.

Importera Docker-baserat recept - R r

Börja med att navigera och välja Workflows i det övre vänstra hörnet av Platform Gränssnitt. Nästa, välj Importera recept och markera Launch.

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

konfigurera arbetsflöde

NOTE
I Paketera källfiler i en mottagare självstudiekursen tillhandahölls en Docker URL när köpreceptet för butik byggdes med R-källfiler.

När du är på Välj källa klistra in den Docker-URL som motsvarar det paketerade receptet som skapats med R-källfiler i Source URL fält. 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 Körning nedrullningsbar och Classification i Typ nedrullningsbar meny. När allt är ifyllt väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typ supports Classification och Regression. Om modellen inte faller under någon av dessa typer väljer du Custom.

Välj sedan in- och utdatamodeller (butik) under avsnittet Hantera scheman skapades de med det angivna bootstrap-skriptet i skapa försäljningsschema och datauppsättning för återförsäljning självstudiekurs.

Under Funktionshantering väljer du i din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Välj in- och utdatafunktioner genom att markera den önskade funktionen och välja antingen Input Feature eller Target Feature till höger Field Properties -fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat Input Feature. Välj Next för att granska ditt nya konfigurerade recept.

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

Gå till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nyligen skapade recept för butiksförsäljning.

Importera Docker-baserat recept - PySpark pyspark

Börja med att navigera och välja Workflows i det övre vänstra hörnet av Platform Gränssnitt. Nästa, välj Importera recept och markera Launch.

The Konfigurera sidan för Importera recept arbetsflödet 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 Paketera källfiler i en mottagare självstudiekursen innehöll en Docker URL när köpreceptet för butik byggdes med hjälp av PySpark-källfiler.

När du är på Välj källa klistra in den Docker-URL som motsvarar det paketerade receptet som skapats med PySpark-källfiler i Source URL fält. 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 Körning nedrullningsbar meny. När PySpark-miljön har valts fylls standardartefakten automatiskt i till Docker. Nästa, välj Classification i Typ nedrullningsbar meny. När allt är ifyllt väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typ supports Classification och Regression. Om modellen inte faller under någon av dessa typer väljer du Custom.

Välj sedan in- och utdatamodeller (butik) med hjälp av Hantera scheman väljaren, skapades scheman med hjälp av det angivna bootstrap-skriptet i skapa försäljningsschema och datauppsättning för återförsäljning självstudiekurs.

hantera scheman

Under Funktionshantering väljer du i din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Välj in- och utdatafunktioner genom att markera den önskade funktionen och välja antingen Input Feature eller Target Feature till höger Field Properties -fönstret. I den här självstudiekursen anger du weeklySales som Target Feature och allt annat Input Feature. Välj Next för att granska ditt nya konfigurerade recept.

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

Gå till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nyligen skapade recept för butiksförsäljning.

Importera Docker-baserat recept - Scala scala

Börja med att navigera och välja Workflows i det övre vänstra hörnet av Platform Gränssnitt. Nästa, välj Importera recept och markera Launch.

The Konfigurera sidan för Importera recept arbetsflödet 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 Paketera källfiler i en mottagare självstudiekursen tillhandahölls en Docker URL när butikssäljreceptet byggdes med Scala (Spark) källfiler.

När du är på Välj källa klistrar du in den Docker-URL som motsvarar det paketerade receptet som skapats med källfiler från Scala i fältet Källadress. 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 Körning nedrullningsbar meny. När Spark runtime är vald som standardartefakt fylls automatiskt i till Docker. Nästa, välj Regression från Typ nedrullningsbar meny. När allt är ifyllt väljer du Next i det övre högra hörnet för att fortsätta till Hantera scheman.

NOTE
Typstöd Classification och Regression. Om modellen inte faller under någon av dessa typer väljer du Custom.

Välj sedan in- och utdatamodeller (butik) med hjälp av Hantera scheman väljaren, skapades scheman med hjälp av det angivna bootstrap-skriptet i skapa försäljningsschema och datauppsättning för återförsäljning självstudiekurs.

hantera scheman

Under Funktionshantering väljer du i din klientidentitet i schemavisaren för att expandera indatabasschemat för butiksförsäljning. Välj in- och utdatafunktioner genom att markera den önskade funktionen och välja antingen Input Feature eller Target Feature till höger Field Properties -fönstret. I den här självstudiekursen ställer du in "weeklySales" som Target Feature och allt annat Input Feature. Välj Next för att granska ditt nya konfigurerade recept.

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

Gå till nästa steg för att ta reda på hur du skapar en modell i Data Science Workspace med hjälp av det nyligen skapade recept för butiksförsäljning.

Nästa steg next-steps

I den här självstudiekursen finns 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