Platform For AI:Importancia de características de modelo lineal

Limitaciones

El motor de computación compatible es MaxCompute.

Configuración del componente

Configure los parámetros del componente Linear Model Feature Importance mediante uno de los siguientes métodos.

Método 1: Interfaz visual

Método 2: Comando de PAI

PAI -name regression_feature_importance -project algo_public
    -DmodelName=xlab_m_logisticregressi_20317_v0
    -DoutputTableName=pai_temp_2252_20321_1
    -DlabelColName=y
    -DfeatureColNames=pdays,previous,emp_var_rate,cons_price_idx,cons_conf_idx,euribor3m,nr_employed,age,campaign
    -DenableSparse=false -DinputTableName=pai_dense_10_9;

Ejemplo

1. Cree una tabla llamada bank_data e importe datos en ella. Para obtener más información, consulte Create a table y Import data.

2. Ejecute la siguiente sentencia SQL para generar datos de entrenamiento.

   create table if not exists pai_dense_10_9 as
   select
       age,campaign,pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m, nr_employed, fixed_deposit
   from  bank_data limit 10;

3. Construya y ejecute un pipeline. Para obtener más información, consulte Algorithm modeling. Para conectar los componentes, vincule la salida de Read Table-1 a las entradas de Logistic Regression for Multiclass Classification y Linear Model Feature Importance. Después, conecte la salida de Logistic Regression for Multiclass Classification a la entrada de Linear Model Feature Importance.

   1. Arrastre los componentes Read Table, Logistic Regression for Multiclass Classification y Linear Model Feature Importance desde la lista de componentes en Machine Learning Designer hacia el lienzo.

   2. Conecte los componentes para construir el pipeline.

   3. Configure los parámetros de cada componente.

      • En el lienzo, haga clic en el componente Read Table-1. En el panel derecho, dentro de la pestaña Select Table, establezca Table Name como bank_data.

      • En el lienzo, haga clic en el componente Logistic Regression for Multiclass Classification-1. En el panel derecho, dentro de la pestaña Fields Setting, configure Feature Columns con age, campaign, pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m y nr_employed. Establezca Target Column como fixed_deposit. Use los valores predeterminados para los demás parámetros.

      • En el lienzo, haga clic en el componente Linear Model Feature Importance-1. En el panel derecho, dentro de la pestaña Fields Setting, establezca Target Column como fixed_deposit. Use los valores predeterminados para los demás parámetros.

   4. Una vez configurados los parámetros, haga clic en el botón Run .

4. Cuando el pipeline se ejecute correctamente, haga clic con el botón derecho en el componente Linear Model Feature Importance-1 y seleccione View Data > Model Importance Table. El componente Linear Model Feature Importance genera una tabla que muestra colname, weight e importance de cada característica. Los valores se presentan en notación científica. Por ejemplo, el peso de la característica age es 9.61816270808075E-5.

   Las fórmulas de las métricas son las siguientes.

   Nombre de columna	Fórmula
   weight	abs(w_)
   importance	abs(w_j) * STD(f_i) Nota abs(w_j) es el valor absoluto del coeficiente de la característica y STD(f_i) es la desviación estándar de los datos de entrenamiento.

5. Haga clic con el botón derecho en el componente Linear Model Feature Importance-1 y seleccione View Analytics Report.