步骤3：训练模型

[mimakte]

完成数据准备后，您需要选择训练方法。一旦完成，该模型将能够根据产品与购物篮的潜在相关性对其进行排名。根据生成的排名和业务指标提出建议。 GlowByte 专家发现，在这种情况下最合适的方法是梯度增强，它被广泛用于分类和回归。如果所使用的数据包含可成功应用于深度学习的依赖关系，则所有类型的神经网络也都适用。

接下来我们开始训练。完成后，可以评估所选预测因子的重要性。

下一步是评估生成的模型的质量。 GlowByte 专家声 银行数据 称分两步进行更加方便。首先是评估预测某个产品是否会被纳入购物篮的准确性。第二是测试算法的实际使用结果。通过分类方法的评估指标，根据历史数据执行所考虑情形下的第一个动作。第二是通过详细设计和实施A/B测试。

模型训练

步骤 4：部署模型并分析传入请求
为了让第三方可以访问推荐系统，GlowByte 专家在自己的笔记本中加入了构成提案的主要类别和方法。它有一个包含建议的基类，一个包含针对有历史的客户或未知用户的选项的类。它还包括用于解析请求的代码。

演示笔记本电脑配备了用于编译建议的课程；您可以根据本文提供的代码创建自己的外部请求分析。该请求包括时间戳和客户端收集的购物篮以及其他属性。

有必要执行笔记本电脑代码并通过部署保护检查点。此操作在检查点部分执行，您需要在其中指定所需的检查点，单击固定并将其命名为部署。

我们指定所需的单元，然后在上下文菜单中单击“部署选定的单元”。我们也称之为部署，为其指定之前保存的检查点，以及输入和输出值。

让我们确保该单元处于活动状态。转到节点菜单，选择部署单元并复制 ID – 它需要输入到请求中。

接下来，创建第三方请求。 REQBIN 服务将帮助您实现这一点，您也可以使用任何可以传输参数化请求的 HTTP 客户端。 Postman、浏览器扩展或 curl 都可以。

让我们输入用于 POST 请求的 URL：


（不要指定 <node_id>，而要指定从 Deploy 单元复制的 ID）。

IAM 令牌用于授权。可以使用 Yandex Cloud CLI 获取。令牌在授权菜单中指定。在内容菜单中，转到 JSON 并输入以下参数：