Treinar e avaliar um modelo na interface do usuário do Espaço de trabalho de ciência de dados

No Espaço de trabalho de ciência de dados do Adobe Experience Platform, um modelo de aprendizado de máquina é criado ao incorporar uma fórmula existente que é apropriada para a intenção do modelo. O modelo é então treinado e avaliado para otimizar sua eficiência operacional e eficácia ajustando seus Hiperparâmetros associados. As receitas são reutilizáveis, o que significa que vários Modelos podem ser criados e personalizados para fins específicos com uma única Fórmula.

Este tutorial percorre as etapas para criar, treinar e avaliar um Modelo.

Introdução

Para concluir este tutorial, você deve ter acesso a Experience Platform. Se você não tiver acesso a uma organização no Experience Platform, entre em contato com o administrador do sistema antes de continuar.

Este tutorial requer uma fórmula existente. Se você não tiver uma fórmula, siga as instruções Importar uma fórmula empacotada na interface do usuário tutorial antes de continuar.

Criar um modelo

No Experience Platform, selecione a variável Modelos localizada na navegação à esquerda e, em seguida, selecione a guia procurar para visualizar seus Modelos existentes. Selecionar Criar modelo Próximo à parte superior direita da página para iniciar um processo de criação de Modelo.

Navegue pela lista de receitas existentes, localize e selecione a fórmula a ser usada para criar o modelo e selecione Próxima.

Selecione um conjunto de dados de entrada apropriado e selecione Próxima. Isso definirá o conjunto de dados de treinamento de entrada padrão para o Modelo.

Forneça um nome para o Modelo e revise as configurações padrão do Modelo. As configurações padrão foram aplicadas durante a criação da fórmula, revise e modifique os valores de configuração clicando duas vezes nos valores.

Para fornecer um novo conjunto de configurações, selecione Carregar nova configuração e arraste um arquivo JSON contendo configurações de modelo para a janela do navegador. Selecionar Concluir para criar o Modelo.

NOTE
As configurações são exclusivas e específicas para a fórmula desejada. Isso significa que as configurações para a fórmula de vendas de varejo não funcionarão para a fórmula do Recommendations do produto. Consulte a referência seção para obter uma lista de configurações de Receita de Vendas de Varejo.

Criar uma execução de treinamento

No Experience Platform, selecione a variável Modelos localizada na navegação à esquerda e, em seguida, selecione a guia procurar para visualizar seus Modelos existentes. Localize e selecione o hiperlink anexado ao nome do Modelo que deseja treinar.

Todas as execuções de treinamento existentes com seus status de treinamento atuais são listadas. Para modelos criados usando o Data Science Workspace uma execução de treinamento é gerada e executada automaticamente usando as configurações padrão e o conjunto de dados de treinamento de entrada.

Crie uma nova execução de treinamento selecionando Treinamento próximo à parte superior direita da página Visão geral do modelo.

Selecione o conjunto de dados de entrada de treinamento para a execução de treinamento e selecione Próxima.

As configurações padrão fornecidas durante a criação do Modelo são mostradas, alteradas e modificadas de acordo clicando duas vezes nos valores. Selecionar Concluir para criar e executar o treinamento.

NOTE
As configurações são exclusivas e específicas para a fórmula desejada. Isso significa que as configurações para a fórmula de vendas de varejo não funcionarão para a fórmula do Recommendations do produto. Consulte a referência seção para obter uma lista de configurações de Receita de Vendas de Varejo.

Avaliar o modelo

No Experience Platform, selecione a variável Modelos localizada na navegação à esquerda e, em seguida, selecione a guia procurar para visualizar seus Modelos existentes. Localize e selecione o hiperlink anexado ao nome do Modelo que deseja avaliar.

selecionar modelo

Todas as execuções de treinamento existentes com seus status de treinamento atuais são listadas. Com várias execuções de treinamento concluídas, as métricas de avaliação podem ser comparadas entre diferentes execuções de treinamento no gráfico Avaliação de modelo. Selecione uma métrica de avaliação usando a lista suspensa acima do gráfico.

A métrica Erro Percentual Absoluto Médio (MAPE) expressa a precisão como uma porcentagem do erro. Isso é usado para identificar o experimento com melhor desempenho. Quanto mais baixo o MAPE, melhor.

visão geral das execuções de treinamento

A métrica "Precisão" descreve a porcentagem de Instâncias relevantes em comparação com o total recuperado Instâncias. A precisão pode ser vista como a probabilidade de um resultado selecionado aleatoriamente estar correto.

execução de várias execuções

Selecionar uma execução de treinamento específica fornece os detalhes dessa execução abrindo a página de avaliação. Isso pode ser feito antes mesmo da execução ser concluída. Na página de avaliação, é possível ver outras métricas de avaliação, parâmetros de configuração e visualizações específicas para a execução do treinamento.

visualizar logs

Você também pode baixar logs de atividades para ver os detalhes da execução. Os logs são particularmente úteis para execuções com falha para ver o que deu errado.

logs de atividades

Hiperparâmetros não podem ser treinados e um modelo deve ser otimizado testando combinações diferentes de Hiperparâmetros. Repita este processo de treinamento e avaliação do modelo até chegar a um modelo otimizado.

Próximas etapas

Este tutorial guiou você pela criação, treinamento e avaliação de um Modelo no Data Science Workspace. Depois de chegar a um modelo otimizado, você pode usar o modelo treinado para gerar insights seguindo o Pontuação de um modelo na interface do tutorial.

Referência reference

Configurações de Receita de Venda de Varejo

Os hiperparâmetros determinam o comportamento de treinamento do modelo. Modificar os hiperparâmetros afetará a precisão e a precisão do modelo:

Hiperparâmetro
Descrição
Intervalo recomendado
learning_rate
A taxa de aprendizado reduz a contribuição de cada árvore por learning_rate. Há uma compensação entre learning_rate e n_estimators.
0.1
n_estimadores
O número de estágios de reforço a serem executados. O aumento de gradiente é bastante robusto para ajuste excessivo, de modo que um número grande geralmente resulta em melhor desempenho.
100
max_depth
Profundidade máxima dos estimadores de regressão individuais. A profundidade máxima limita o número de nós na árvore. Ajuste esse parâmetro para obter o melhor desempenho; o melhor valor depende da interação das variáveis de entrada.
3

Parâmetros adicionais determinam as propriedades técnicas do modelo:

Chave de parâmetro
Tipo
Descrição
ACP_DSW_INPUT_FEATURES
String
Lista de atributos de esquema de entrada separados por vírgula.
ACP_DSW_TARGET_FEATURES
String
Lista de atributos de esquema de saída separados por vírgulas.
ACP_DSW_FEATURE_UPDATE_SUPPORT
Booleano
Determina se os recursos de entrada e saída são modificáveis
tenantId
String
Essa ID garante que os recursos criados tenham o namespace adequado e estejam contidos na organização. Siga as etapas aqui para encontrar sua ID de locatário.
ACP_DSW_TRAINING_XDM_SCHEMA
String
O esquema de entrada usado para treinar um Modelo.
evaluation.labelColumn
String
Rótulo da coluna para visualizações de avaliação.
evaluation.metrics
String
Lista separada por vírgulas de métricas de avaliação a serem usadas para avaliar um Modelo.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
String
O esquema de saída usado para pontuar um Modelo.
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9