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。 個人化工具服務將于 2026 年 10 月 1 日淘汰。

學習設定會 決定模型定型的超參數 。 在不同學習設定上定型的相同資料的兩個模型最終會有所不同。

學習原則和設定 會在Azure 入口網站的個人化工具資源上設定。

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。 使用此方法可儲存現有的原則、測試原則、取代它們，並將其封存于原始程式碼控制項中，作為未來參考和稽核的成品。

瞭解如何 在個人化工具資源的Azure 入口網站中匯入和匯出學習原則。

瞭解學習原則設定

學習原則中的設定並非要變更。 只有在您瞭解這些設定如何影響個人化工具時才變更設定。 如果沒有這項知識，您可能會造成問題，包括使個人化工具模型失效。

個人化工具會使用 vowpalwabbit 來定型和評分事件。 請參閱 vowpalwabbit 檔 ，瞭解如何使用 vowpalwabbit 編輯學習設定。 擁有正確的命令列引數之後，請使用下列格式將命令儲存至檔案（以所需的命令取代 arguments 屬性值），並將檔案上傳至個人化工具資源的 [模型] 和 [學習] 窗格中的 [模型和學習] 設定 Azure 入口網站窗格中匯入學習設定 。

以下是 .json 學習原則的範例。

{
  "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 ，比較不同學習原則對個人化工具記錄中的過去資料執行 方式。

上傳您自己的學習原則 ，以將它們與目前的學習原則進行比較。

優化學習原則

個人化工具可以在離線評估 中 建立優化的學習原則。 在離線評估中具有更佳獎勵的優化學習原則，在個人化工具線上使用時，會產生更好的結果。

優化學習原則之後，您可以將它直接套用至個人化工具，以便立即取代目前的原則。 或者，您可以儲存優化的原則以進行進一步評估，稍後決定是否要捨棄、儲存或套用。

下一步

• 瞭解 作用中和非使用中的事件 。