Personalizer-leerlus configureren
Serviceconfiguratie omvat hoe de service om gaat met beloningen, hoe vaak de service verkent, hoe vaak het model opnieuw wordt getraind en hoeveel gegevens worden opgeslagen.
Configureer de leerlus op de pagina Configuratie in de Azure Portal voor die Personalizer-resource.
Configuratiewijzigingen plannen
Omdat sommige configuratiewijzigingen uw model opnieuw instellen,moet u uw configuratiewijzigingen plannen.
Als u van plan bent omleermodus te gebruiken, controleert u uw Personalizer-configuratie voordat u overschakelt naar leermodus.
Instellingen waaronder het opnieuw instellen van het model
De volgende acties activeren een hertraining van het model met behulp van gegevens die beschikbaar zijn tot de afgelopen 2 dagen.
- Beloning
- Verkennen
Als u al uw gegevens wilt verwijderen, gebruikt u de pagina Model- en leerinstellingen.
Beloningen voor de feedbacklus configureren
Configureer de service voor het gebruik van beloningen voor uw leerlus. Wijzigingen in de volgende waarden stellen het huidige Personalizer-model opnieuw in en trainen het opnieuw met de laatste 2 dagen aan gegevens.
| Waarde | Doel |
|---|---|
| Wachttijd voor beloning | Hiermee stelt u de tijdsduur in gedurende welke Personalizer beloningswaarden verzamelt voor een Rank-aanroep, vanaf het moment dat de Rank-aanroep wordt aanroepen. Deze waarde wordt ingesteld door te vragen: 'Hoe lang moet Personalizer wachten op aanroepen van beloningen?' Elke beloning die na dit venster binnenkomt, wordt geregistreerd, maar wordt niet gebruikt voor het leren. |
| Standaardbeloning | Als personalizer geen beloningsoproep ontvangt tijdens het venster Reward Wait Time dat is gekoppeld aan een Rank-aanroep, wijst Personalizer de standaardbeloning toe. In de meeste scenario's is de standaardbeloning standaard nul (0). |
| Aggregatie van beloning | Als er meerdere beloningen worden ontvangen voor dezelfde Rank API-aanroep, wordt deze aggregatiemethode gebruikt: som of vroegste. Vroegste kiest de vroegste score die is ontvangen en de rest wordt verwijderd. Dit is handig als u een unieke beloning wilt tussen mogelijk dubbele aanroepen. |
Nadat u deze waarden heeft veranderd, selecteert u Opslaan.
Verkenning configureren zodat de leerlus kan worden aangepast
Personalisatie kan nieuwe patronen ontdekken en zich aanpassen aan wijzigingen in gebruikersgedrag in de tijd door alternatieven te verkennen in plaats van de voorspelling van het getrainde model te gebruiken. De waarde Verkennen bepaalt welk percentage rank-aanroepen wordt beantwoord met verkenning.
Als u deze waarde wijzigt, wordt het huidige Personalizer-model opnieuw ingesteld en opnieuw getraind met de laatste 2 dagen aan gegevens.
Nadat u deze waarde heeft veranderd, moet u Opslaan selecteren.
Updatefrequentie van model configureren voor modeltraining
De updatefrequentie van het model bepaalt hoe vaak het model wordt getraind.
| Frequentie-instelling | Doel |
|---|---|
| 1 minuut | Frequenties van een update van één minuut zijn handig bij het debuggen van de code van een toepassing met behulp van Personalizer, het uitvoeren van demo's of het interactief testen van machine learning aspecten. |
| 15 minuten | Hoge updatefrequenties voor modellen zijn handig voor situaties waarin u wijzigingen in gebruikersgedrag nauwkeurig wilt bijhouden. Voorbeelden zijn sites die worden uitgevoerd op livenieuws, virale inhoud of live productdeal. In deze scenario's kunt u een frequentie van 15 minuten gebruiken. |
| 1 uur | In de meeste gevallen is een lagere updatefrequentie effectief. |
Nadat u deze waarde heeft veranderd, moet u Opslaan selecteren.
Gegevensretentie
Met de bewaarperiode voor gegevens wordt het aantal dagen dat Personalizer gegevenslogboeken bewaart. Eerdere gegevenslogboeken zijn vereist voor het uitvoeren van offline evaluaties,die worden gebruikt om de effectiviteit van Personalizer te meten en het beleid Learning optimaliseren.
Nadat u deze waarde heeft veranderd, moet u Opslaan selecteren.