Utbildningsprincip och -inställningar

  • Artikel

Viktigt!

Från och med den 20 september 2023 kommer du inte att kunna skapa nya personaliseringsresurser. Personanpassningstjänsten dras tillbaka den 1 oktober 2026.

Inlärningsinställningar avgör hyperparametrar för modellträningen. Två modeller av samma data som tränas på olika inlärningsinställningar skiljer sig.

Utbildningsprinciper och inställningar anges för din Personalizer-resurs i Azure-portalen.

Importera och exportera utbildningsprinciper

Du kan importera och exportera utbildningsprincipfiler från Azure-portalen. Använd den här metoden för att spara befintliga principer, testa dem, ersätta dem och arkivera dem i källkodskontrollen som artefakter för framtida referens och granskning.

Lär dig hur du importerar och exporterar en inlärningsprincip i Azure-portalen för din Personalizer-resurs.

Förstå inställningar för inlärningsprinciper

Inställningarna i inlärningsprincipen är inte avsedda att ändras. Ändra endast inställningar om du förstår hur de påverkar Personanpassning. Utan den här vetskapen kan du orsaka problem, inklusive att ogiltigförklara personanpassningsmodeller.

Personalizer använder vowpalwabbit för att träna och poängsätta händelserna. Se dokumentationen för vowpalwabbit om hur du redigerar inlärningsinställningarna med vowpalwabbit. När du har rätt kommandoradsargument sparar du kommandot i en fil med följande format (ersätt värdet för argumentegenskapen med önskat kommando) och laddar upp filen för att importera utbildningsinställningar i fönstret Modell och inlärning Inställningar i Azure-portalen för din Personalizer-resurs.

Följande .json är ett exempel på en inlärningsprincip.

{
  "name": "new learning settings",
  "arguments": " --cb_explore_adf --epsilon 0.2 --power_t 0 -l 0.001 --cb_type mtr -q ::"
}

Jämför inlärningsprinciper

Du kan jämföra hur olika inlärningsprinciper fungerar mot tidigare data i Personanpassningsloggar genom att göra offlineutvärderingar.

Ladda upp dina egna inlärningsprinciper för att jämföra dem med den aktuella inlärningsprincipen.

Optimera inlärningsprinciper

Personanpassning kan skapa en optimerad inlärningsprincip i en offlineutvärdering. En optimerad inlärningsprincip som har bättre belöningar i en offlineutvärdering ger bättre resultat när den används online i Personalizer.

När du har optimerat en inlärningsprincip kan du tillämpa den direkt på Personanpassning så att den omedelbart ersätter den aktuella principen. Eller så kan du spara den optimerade principen för ytterligare utvärdering och senare bestämma om du vill ta bort, spara eller tillämpa den.

Nästa steg