在資料科學Workspace UI中訓練及評估模型
在Adobe Experience Platform資料科學Workspace中,機器學習模型是透過結合適合模型意圖的現有方法建立的。 然後訓練並評估模型,藉由微調其相關的Hyperparameters來最佳化其作業效率和效能。 配方可重複使用,這表示您可以透過單一配方建立多個模型,並針對特定用途量身打造。
本教學課程將逐步說明建立、訓練及評估模型的步驟。
快速入門
若要完成本教學課程,您必須有Experience Platform的存取權。 如果您沒有Experience Platform中組織的存取權,請在繼續之前與您的系統管理員交談。
此教學課程需要現有的配方。 如果您沒有配方,請先遵循在UI教學課程中匯入封裝的配方,然後再繼續。
建立模型
在Experience Platform中,選取位於左側導覽的 模型 索引標籤,然後選取瀏覽索引標籤以檢視您現有的模型。 選取頁面右上角附近的 建立模型,開始建立模型的程式。
瀏覽現有配方清單,尋找並選取要用來建立模型的配方,然後選取 下一步。
選取適當的輸入資料集,然後選取 下一步。 這會設定模型的預設輸入訓練資料集。
提供模型的名稱並檢閱預設模型組態。 在配方建立、檢閱及修改組態值期間,透過按兩下值來套用預設組態。
若要提供一組新的組態,請選取 上傳新的組態,並將包含模型組態的JSON檔案拖曳到瀏覽器視窗中。 選取 完成 以建立模型。
建立訓練回合
在Experience Platform中,選取位於左側導覽的 模型 索引標籤,然後選取瀏覽索引標籤以檢視您現有的模型。 尋找並選取附加至您要訓練之模型名稱的超連結。
列出所有現有訓練回合及其目前的訓練狀態。 對於使用Data Science Workspace使用者介面建立的模型,會使用預設設定和輸入訓練資料集自動產生並執行訓練回合。
選取模型概觀頁面右上角附近的 訓練,以建立新的訓練回合。
選取訓練回合的訓練輸入資料集,然後選取 下一步。
模型建立期間提供的預設組態會顯示,按兩下值可相應變更和修改這些組態。 選取 完成 以建立並執行訓練回合。
評估模型
在Experience Platform中,選取位於左側導覽的 模型 索引標籤,然後選取瀏覽索引標籤以檢視您現有的模型。 尋找並選取附加至您要評估之模型名稱的超連結。
列出所有現有訓練回合及其目前的訓練狀態。 如果有多個完成的訓練回合,可在模型評估圖表中比較不同訓練回合中的評估量度。 使用圖表上方的下拉式清單,選取評估量度。
平均絕對百分比誤差(MAPE)量度以誤差百分比來表示準確度。 這可用來識別表現最佳的實驗。 MAPE越低越好。
「精確度」量度說明相關執行個體與擷取的 個 執行個體總數的百分比。 精確度可視為隨機選取結果正確的可能性。
選取特定訓練回合會開啟評估頁面,提供該回合的詳細資料。 這可以在執行完成之前完成。 在評估頁面上,您可以看到訓練回合專用的其他評估量度、設定引數和視覺效果。
您也可以下載活動記錄檔以檢視執行的詳細資訊。 記錄對於失敗的執行特別有用,以檢視哪裡出了問題。
無法訓練Hyperparameters,且必須透過測試不同的Hyperparameters組合來最佳化Model。 重複此模型訓練和評估程式,直到到達最佳化模型為止。
後續步驟
本教學課程會逐步引導您建立、訓練及評估Data Science Workspace中的模型。 抵達最佳化模型後,您可以依照在UI🔗教學課程中對模型評分的,使用經過訓練的模型來產生深入分析。
參考 reference
零售銷售配方設定
超引數會決定模型的訓練行為,修改Hyperparameters將會影響模型的精確度和精確度:
其他引數會決定模型的技術屬性:
ACP_DSW_INPUT_FEATURES
ACP_DSW_TARGET_FEATURES
ACP_DSW_FEATURE_UPDATE_SUPPORT
ACP_DSW_TRAINING_XDM_SCHEMA
evaluation.labelColumn
evaluation.metrics
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA