Show Menu
主題×

訓練和評估模型(UI)

在Adobe Experience Platform Data Science Workspace中,機器學習模型是透過整合符合模型意圖的現有配方來建立的。 然後,對模型進行訓練和評估,通過微調其相關的超參數來優化其操作效率和效能。 方式可重複使用,這表示您可以使用單一方式,針對特定目的建立並量身打造多個模型。
本教學課程將逐步介紹建立、訓練和評估模型的步驟。

快速入門

若要完成本教學課程,您必須擁有存取權 Experience Platform。 如果您無權存取中的IMS組織,請先與您的系 Experience Platform統管理員聯絡,然後再繼續。
本教學課程需要現有的配方。 如果您沒有配方,請依照UI教學課程 中的匯入封裝配方 ,然後再繼續。

建立模型

  1. 在Adobe Experience Platform中,按一下左側導 覽欄中的 「模型」連結,以列出所有現有的模型。 按一下 頁面右上角的「建立模型 」(Create Model),開始建立模型。
  2. 瀏覽現有配方的清單,尋找並選取要用來建立模型的配方,然後按一下「下 一步 」。
  3. 選取適當的輸入資料集,然後按一下「下 一步 」。 這將設定模型的預設輸入訓練資料集。
  4. 為「模型」(Model)提供名稱並查看預設「模型」(Model)配置。 在「配方」建立過程中,通過按兩下配置值來應用預設配置,複查和修改配置值。 若要提供新的組態,請按一下「上 傳新設定」 ,並將包含「模型」組態的JSON檔案拖曳至瀏覽器視窗。 按一下「 完成 」(Finish)建立「模型」(Model)。
    配置是獨特且特定於其預定配方的,這意味著零售銷售配方的配置將不適用於產品建議配方。 如需零售 銷售方式 組態的清單,請參閱參考章節。

建立訓練執行

  1. 在Adobe Experience Platform中,按一下左側導 覽欄中的 「模型」連結,以列出所有現有的模型。 查找並按一下要培訓的模型的名稱。
  2. 所有現有培訓執行都會列出其目前的培訓狀態。 對於使用使用者介面建 Data Science Workspace 立的模型,會使用預設組態和輸入訓練資料集自動產生並執行訓練執行。
  3. 按一下「模型概述」頁面右上 方附近的 「訓練」,建立新的訓練執行。
  4. 選取訓練執行的訓練輸入資料集,然後按一下「下 一步 」。
  5. 如圖所示,建立模型期間提供的預設配置,請按兩下這些值,以相應地更改和修改這些配置。 按一 下「完成 」以建立並執行培訓執行。
    配置是獨特且特定於其預定配方的,這意味著零售銷售配方的配置將不適用於產品建議配方。 如需零售 銷售方式 組態的清單,請參閱參考章節。

評估模型

  1. 在Adobe Experience Platform中,按一下左側導 覽欄中的 「模型」連結,以列出所有現有的模型。 查找並按一下要評估的模型的名稱。
  2. 所有現有培訓執行都會列出其目前的培訓狀態。 在完成多個培訓執行後,可以在「模型評估」圖表中比較不同培訓執行的評估度量,並使用圖表上方的下拉式清單選取評估度量。
    「平均絕對百分比錯誤(MAPE)」量度將正確性表示為錯誤的百分比。 這用於識別效能最佳的實驗。 MAPE越低越好。
    「精確度」量度說明相關例項與擷取的例項總數之比 。 精確度可以看作是隨機選擇的結果正確的概率。
    按一下特定培訓執行,以檢視該執行的詳細資訊。 這可在執行完成之前完成。 在執行詳細資料頁面上,您可以看到其他評估度量、設定參數和訓練執行專屬的視覺化。 您也可以下載活動記錄檔,以檢視執行的詳細資訊。 對於失敗的執行,記錄檔特別有用,以檢視出錯之處。
  3. 超參數無法訓練,模型必須通過測試不同的超參陣列合來優化。 重複此模型訓練和評估流程,直到您到達最佳模型。

後續步驟

本教學課程將逐步引導您建立、訓練和評估模型 Data Science Workspace。 在您到達最佳化模型後,您就可以使用經過訓練的模型,依照UI教學課程中的「 Score a Model」(對模型評分)來產生見解

參考

零售銷售方式配置

超參數決定模型的訓練行為,修改超參數將影響模型的準確性和精度:
超參數
說明
建議範圍
learning_rate
學習率會透過learning_rate縮減每棵樹的貢獻。 learning_rate和n_meativers之間存在取捨。
0.1
n_mediators
要執行的升級階段數。 漸層增強功能對過度調整相當穩健,因此,大量的漸層增強功能通常能產生較佳的效能。
100
max_depth
個別回歸估計的最大深度。 最大深度限制樹中的節點數。 調整此參數以獲得最佳效能; 最佳值取決於輸入變數的互動。
3
其他參數確定模型的技術屬性:
參數鍵
類型
說明
ACP_DSW_INPUT_FEATURES
字串
逗號分隔的輸入模式屬性清單。
ACP_DSW_TARGET_FEATURES
字串
逗號分隔的輸出模式屬性清單。
ACP_DSW_FEATURE_UPDATE_SUPPORT
布林值
確定輸入和輸出特徵是否可修改
tenantId
字串
此ID可確保您建立的資源具有正確的命名空間,並且包含在IMS組織中。 請依照此處的步驟 ,尋找您的租用戶ID。
ACP_DSW_TRAINING_XDM_SCHEMA
字串
用於訓練模型的輸入模式。
evaluation.labelColumn
字串
評估視覺化的欄標籤。
evaluation.metrics
字串
用於評估模型的評估度量的逗號分隔清單。
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
字串
用於計分模型的輸出方案。