Diagrama de caja - Platform For AI - Centro de documentación de Alibaba Cloud

El componente Box Plot en Machine Learning Designer visualiza la distribución estadística de un conjunto de datos. Utilícelo para inspeccionar cómo se distribuyen los valores a lo largo de una función continua y para comparar distribuciones entre grupos definidos por una función categórica.

Limitaciones

El informe visualizado para este componente solo está disponible en Machine Learning Studio.

Configurar el componente

Método 1: Uso de la consola

En la página de configuración del pipeline en Machine Learning Designer, establezca los siguientes parámetros en la pestaña Field Setting.

Parámetro	Descripción
Continuous Features	La columna que contiene la función continua para analizar.
Enumeration Feature	La columna que contiene la función categórica. Cada valor único en esta columna genera un grupo separado de diagramas de caja, lo que permite comparar distribuciones entre categorías.
Stratified Samples	El número de muestras estratificadas adoptadas.

Nota: En Machine Learning Studio, solo puede seleccionar un campo para cada parámetro. En Machine Learning Designer, puede seleccionar varios campos.

Método 2: Uso de comandos de PAI

Ejecute el siguiente comando de PAI mediante el componente SQL Script.

PAI -name box_plot -project algo_public
    -DinputTable="boxplot"
    -DcontinueCols="age"
    -DcategoryCol="y"
    -DoutputTable="pai_temp_6075_97181_1"
    -DsampleSize="1000"
    -Dlifecycle="7";

Parámetro	Obligatorio	Descripción	Predeterminado
`inputTable`	Sí	Nombre de la tabla de entrada.	N/A
`inputTablePartitions`	No	Partición para leer from la tabla de entrada. Formatos compatibles: `partition_name=value` para una sola partición, `name1=value1/name2=value2` para particiones de varios niveles. Para especificar varias particiones, sepárelas con comas (,).	N/A
`outputTable`	Sí	Nombre de la tabla de salida que almacena el gráfico de diagrama de caja y las muestras.	N/A
`continueCols`	Sí	La columna que contiene la función continua.	N/A
`categoryCol`	Sí	La columna que contiene la función categórica. Cada valor único produce un grupo separado de diagramas de caja.	N/A
`sampleSize`	No	Número de puntos de datos muestreados por estrato para representar los puntos de perturbación.	1000
`lifecycle`	No	Ciclo de vida de la tabla de salida. Unidad: días.	28
`coreNum`	No	Número de núcleos asignados para el cálculo. Debe ser un entero positivo.	Asignado automáticamente
`memSizePerCore`	No	Tamaño de memoria por núcleo. Valores válidos: 1–65536. Unidad: MB.	Asignado automáticamente

Ejemplo

Datos de entrada

CREATE TABLE boxplot AS SELECT age, y FROM bank_data LIMIT 100;

La tabla de entrada tiene dos columnas: age (función continua) y y (función categórica).

age	y
50	0
53	0
28	1
39	0
55	1

Configuración de parámetros

Establezca age como la columna de función continua y y como la columna de función categórica. Conserve los valores predeterminados para todos los demás parámetros.

Salida

Para consultar la salida, haga clic con el botón derecho en Box Plot y elija View Data > Output Port.

La tabla de salida contiene las siguientes columnas:

Columna	Descripción
`percent_points`	Los valores percentiles calculados.
`percent_count`	El número de entradas de datos en cada intervalo, where los intervalos se dividen por percentil.
`sample_list`	Muestras seleccionadas de cada estrato. La tasa de muestreo se calcula como: tasa de muestreo = número de muestras estratificadas / número total de entradas de datos. Si la tasa de muestreo es demasiado baja y el número de muestras en cualquier estrato multiplicado por la tasa de muestreo es menor que 10, la tasa de muestreo se recalcula.

El componente produce dos visualizaciones:

Box plot chart

Distribution of disturbance points