Utbilda och utvärdera en modell i användargränssnittet för datavetenskap i Workspace

I Adobe Experience Platform Data Science Workspace skapas en maskininlärningsmodell genom att en befintlig Recipe som är lämplig för modellens avsikt läggs till. Modellen är sedan utbildad och utvärderad för att optimera dess driftseffektivitet och effektivitet genom att finjustera de tillhörande hyperparametrarna. Recept kan återanvändas, vilket innebär att flera modeller kan skapas och skräddarsys för specifika syften med en enda Recept.

Den här självstudiekursen går igenom stegen för att skapa, utbilda och utvärdera en modell.

Komma igång

Du måste ha tillgång till Experience Platform för att kunna slutföra den här självstudiekursen. Om du inte har åtkomst till en organisation i Experience Platform, ska du tala med systemadministratören innan du fortsätter.

Den här självstudiekursen kräver en befintlig recept. Om du inte har någon recept följer du självstudiekursen Importera en paketerad recept i användargränssnittet innan du fortsätter.

Skapa en modell

I Experience Platform väljer du fliken Models i den vänstra navigeringen och sedan klickar du på fliken Bläddra för att visa dina befintliga modeller. Välj Create Model uppe till höger på sidan för att börja skapa en modell.

Bläddra igenom listan med befintliga recept, sök efter och välj den mottagare som ska användas för att skapa modellen och välj Next.

Välj en lämplig indatauppsättning och välj Next. Detta anger standarddatauppsättningen för inmatningsutbildning för modellen.

Ange ett namn för modellen och granska standardmodellkonfigurationerna. Standardkonfigurationer tillämpades när Recept skapades, granska och ändra konfigurationsvärdena genom att dubbelklicka på värdena.

Om du vill tillhandahålla en ny uppsättning konfigurationer väljer du Upload New Config och drar en JSON-fil som innehåller modellkonfigurationer till webbläsarfönstret. Välj Finish för att skapa modellen.

NOTE
Konfigurationer är unika och specifika för den avsedda mottagaren, vilket innebär att konfigurationer för butiksförsäljningsreceptet inte fungerar för produktmottagaren för Recommendations. I avsnittet reference finns en lista över konfigurationer för Retail Sales Recipe.

Skapa en utbildningskörning

I Experience Platform väljer du fliken Models i den vänstra navigeringen och sedan klickar du på fliken Bläddra för att visa dina befintliga modeller. Sök efter och välj den hyperlänk som är kopplad till namnet på den modell som du vill utbilda.

Alla befintliga kurser med deras aktuella utbildningsstatus listas. För modeller som skapats med användargränssnittet Data Science Workspace genereras och körs en utbildningskörning automatiskt med standardkonfigurationer och datauppsättningen för inmatningsutbildning.

Skapa en ny utbildningskörning genom att välja Train uppe till höger på sidan Modellöversikt.

Välj indatauppsättning för utbildning för utbildningskörningen och välj sedan Next.

Standardkonfigurationer som tillhandahålls när modellen skapas visas, ändra och ändra dem därefter genom att dubbelklicka på värdena. Välj Finish om du vill skapa och köra utbildningskörningen.

NOTE
Konfigurationer är unika och specifika för den avsedda mottagaren, vilket innebär att konfigurationer för butiksförsäljningsreceptet inte fungerar för produktmottagaren för Recommendations. I avsnittet reference finns en lista över konfigurationer för Retail Sales Recipe.

Utvärdera modellen

I Experience Platform väljer du fliken Models i den vänstra navigeringen och sedan klickar du på fliken Bläddra för att visa dina befintliga modeller. Sök efter och markera hyperlänken som är kopplad till namnet på den modell som du vill utvärdera.

välj modell

Alla befintliga kurser med deras aktuella utbildningsstatus listas. Med flera färdiga kurser kan man jämföra utvärderingsvärden för olika utbildningar i modellutvärderingsschemat. Välj ett utvärderingsmått i listrutan ovanför diagrammet.

MAPE-mätvärdet (Meean Absolute Percent Error) anger noggrannheten som en procentandel av felet. Detta används för att identifiera de mest högpresterande experterna. Ju lägre värde, desto bättre.

översikt över utbildningar

Precisionsmåttet beskriver procentandelen relevanta instanser jämfört med det totala antalet hämtade-instanser. Precision kan ses som sannolikheten att ett slumpmässigt valt resultat blir korrekt.

kör flera körningar

Om du väljer en specifik utbildningskörning visas information om den som körs genom att du öppnar utvärderingssidan. Detta kan göras även innan körningen har slutförts. På utvärderingssidan kan du se andra utvärderingsmått, konfigurationsparametrar och visualiseringar som är specifika för kursen.

förhandsgranskningsloggar

Du kan även hämta aktivitetsloggar för att se information om körningen. Loggar är särskilt användbara för misslyckade körningar för att se vad som gick fel.

aktivitetsloggar

Hyperparametrar kan inte tränas och en modell måste optimeras genom att olika kombinationer av hyperparametrar testas. Upprepa denna modellutbildning och utvärderingsprocess tills du har nått en optimerad modell.

Nästa steg

I den här självstudiekursen steg du igenom när du skapade, utbildade och utvärderade en modell i Data Science Workspace. När du har nått fram till en optimerad modell kan du använda den utbildade modellen för att generera insikter genom att följa självstudiekursen Skapa en modell i användargränssnittet.

Referens reference

Detaljhandelsförsäljningens mottagarkonfigurationer

Hyperparametrar bestämmer modellens utbildningsbeteende, och om du ändrar hyperparametrar påverkas modellens precision och precision:

Hyperparameter
Beskrivning
Rekommenderat intervall
learning_rate
Inlärningsgraden minskar bidraget från varje träd med learning_rate. Det finns en kompromiss mellan learning_rate och n_estimators.
0,1
n_estimators
Antalet förstärkningssteg som ska utföras. Ökning av övertoningar är relativt robust för överpassning, så ett stort tal ger vanligtvis bättre prestanda.
100
max_depth
Maximalt djup för de enskilda regressionsberäknarna. Det maximala djupet begränsar antalet noder i trädet. Finjustera den här parametern för bästa prestanda. Det bästa värdet beror på interaktionen mellan indatavariablerna.
3

Ytterligare parametrar bestämmer modellens tekniska egenskaper:

Parameternyckel
Typ
Beskrivning
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.
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.
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9