學習原則和設定

重要

從 2023 年 9 月 20 日起，您將無法建立新的個人化工具資源。 個人化工具服務將於 2026 年 10 月 1 日淘汰。

學習設定會決定模型定型的「超參數」。 使用相同資料但以不同學習設定進行定型的兩個模型，最後仍會有所不同。

學習原則和設定都是在 Azure 入口網站中針對您的個人化工具資源加以設定。

匯入和匯出學習原則

您可以從 Azure 入口網站匯入和匯出學習原則檔案。 使用此方法來儲存現有原則、測試及取代這些原則，以及在原始程式碼控制中將這些原則封存為成品，以供之後參考和稽核。

了解如何針對您的個人化工具資源在 Azure 入口網站中匯入和匯出學習原則。

了解學習原則設定

學習原則中的設定不應該變更。 請僅在您了解這些設定會對個人化工具產生什麼影響的前提下，才對其進行變更。 在不具備此知識的情況下，您可能會造成問題，包括使個人化工具模型失效。

個人化工具使用 vowpalwabbit \(英文\) 來對事件進行定型和評分。 如需如何使用 vowpalwabbit 編輯學習設定的相關資訊，請參閱 vowpalwabbit 文件 \(英文\)。 當您有正確的命令列引數之後，請將命令儲存為具有下列格式的檔案 (將 [引數] 屬性值取代為所需的命令)，然後上傳檔案，以便針對您個人化工具資源在 Azure 入口網站中的 [模型與學習設定] 窗格內匯入學習設定。

以下 .json 是學習原則的其中一個範例。

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

比較學習原則

您可以執行離線評估，針對個人化工具記錄中的過去資料比較不同學習原則的成效。

上傳您自己的學習原則來與目前的學習原則做比較。

將學習原則最佳化

在離線評估中，個人化工具可以建立最佳化的學習原則。 在離線評估中具有較佳成效的最佳化學習原則，可在於個人化工具中以線上方式使用的情況下提供更好的結果。

將學習原則最佳化之後，您可以將其直接套用至個人化工具，以便立即取代目前的原則。 或者，您可以儲存最佳化的原則以供進一步評估，並於稍後決定要捨棄、儲存還是套用該原則。

下一步

• 了解使用中和非使用中的事件。