Pada langkah Configure Sorting Method, temukan Peringkat Halus dan klik Add di kolom Actions untuk menambahkan model peringkat halus.
Fine Ranking Model Name: Nama dapat berisi huruf dan garis bawah (_). Format yang direkomendasikan: ${Nama Skenario}_${Nama Model}_rank.
Fine Ranking Target Settings: Anda dapat mengatur beberapa tujuan peringkat halus dengan jenis tujuan meliputi klasifikasi dan regresi.
Klasifikasi
Fine Ranking Target Name: Tentukan nama kustom.
Fine Ranking Target Expression: Dalam banyak kasus, tujuan klasifikasi biner diperlukan dan agregasi dilakukan berdasarkan kondisi agregasi.
Target Type: Atur ke Classification.
Regresi
Fine Ranking Target Name: Tentukan nama kustom.
Fine Ranking Target Expression: Untuk tujuan regresi, jumlahkan nilai peristiwa dalam tabel log perilaku lalu ambil logaritma.
Target Type: Atur ke Regression.
Fine Ranking Target Dependency: Jika suatu tujuan (x) bergantung pada tujuan lain (y), masukkan dalam bidang Fine Ranking Target Dependency. Sebagai contoh, video diputar hanya setelah pengguna mengkliknya. Jika durasi pemutaran adalah play_time, tujuan play_time dapat bergantung pada tujuan klik. Dalam contoh ini, tujuan peringkat tipe klasifikasi is_click yang didaftarkan pada langkah sebelumnya digunakan. Tujuan lain dari tipe klasifikasi juga dapat digunakan. Gambar berikut menunjukkan konfigurasi tersebut.
Field to Exclude: Pilih fitur yang tidak perlu dilatih atau yang tidak dapat diperoleh sebelum paparan. Sebagai contoh, play_time adalah durasi pemutaran setelah paparan. Fitur play_time, is_click, dan is_buy dapat menyebabkan kebocoran fitur jika dilatih. Oleh karena itu, fitur-fitur ini harus dikecualikan.
Number of Training Days: Menunjukkan jumlah hari selama dataset dikumpulkan untuk melatih model peringkat halus.
Model Type: Untuk peringkat tugas tunggal, pilih model tugas tunggal di EasyRec. Untuk peringkat multi-tugas, pilih model multi-tugas. Dalam contoh ini, peringkat multi-tugas diperlukan. Pilih dbmtl.
Feature Selection Mode dan Target Column for Feature Selection: Jika Anda mengatur parameter Feature Selection Mode dan parameter Target Column for Feature Selection, fitur utama difilter dari semua fitur. Parameter ini meningkatkan kompleksitas model. Oleh karena itu, kami sarankan Anda tidak mengonfigurasi parameter ini di versi pertama model.
Incremental Training: Menunjukkan apakah pelatihan pada hari saat ini dilakukan berdasarkan model yang dilatih pada hari sebelumnya. Nilai true menunjukkan bahwa pelatihan inkremental diaktifkan. Nilai false menunjukkan bahwa pelatihan penuh diaktifkan. Nilai default: false.
Asynchronous Training: Menunjukkan apakah pelatihan terdistribusi asinkron didukung.
Sample Weight: Jika Anda mengaktifkan fitur ini, bobot berbagai sampel diperoleh berdasarkan ekspresi. Ini memengaruhi presisi model. Kami sarankan Anda tidak mengaktifkan fitur ini.
Scenarios for Sample Filtering: Menunjukkan apakah data dalam skenario tertentu digunakan untuk melatih model.
Feature Platform: Menunjukkan apakah FeatureStore yang dikonfigurasi digunakan. Jika Anda memilih true untuk parameter ini dan FeatureStore dikonfigurasi dalam pengaturan lingkungan solusi rekomendasi, FeatureStore digunakan.
Automatic Feature Engineering: Nilai true menunjukkan bahwa fitur baru ditambang dari fitur yang ada berdasarkan algoritma tertentu untuk memfasilitasi pelatihan model. Kami sarankan Anda tidak mengaktifkan fitur ini di versi pertama model dan mengaktifkan fitur ini ketika Anda perlu menyetel ulang model.