Platform For AI:Importance des caractéristiques du modèle linéaire

Limites

Le moteur de calcul pris en charge est MaxCompute.

Configuration du composant

Configurez les paramètres du composant Importance des caractéristiques du modèle linéaire selon l'une des méthodes suivantes.

Méthode 1 : Interface visuelle

Méthode 2 : Commande 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;

Exemple

1. Créez une table nommée bank_data et importez-y des données. Pour plus d'informations, consultez Create a table et Import data.

2. Exécutez l'instruction SQL suivante pour générer les données d'entraînement.

   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. Construisez et exécutez un pipeline. Pour plus d'informations, consultez Algorithm modeling. Pour connecter les composants, reliez la sortie de Read Table-1 aux entrées de Logistic Regression for Multiclass Classification et de Linear Model Feature Importance. Ensuite, reliez la sortie de Logistic Regression for Multiclass Classification à l'entrée de Linear Model Feature Importance.

   1. Faites glisser les composants Read Table, Logistic Regression for Multiclass Classification et Linear Model Feature Importance depuis la liste des composants de Machine Learning Designer vers le canevas.

   2. Connectez les composants pour construire le pipeline.

   3. Configurez les paramètres de chaque composant.

      • Sur le canevas, cliquez sur le composant Read Table-1. Dans le volet de droite, sous l'onglet Select Table, définissez Table Name sur bank_data.

      • Sur le canevas, cliquez sur le composant Logistic Regression for Multiclass Classification-1. Dans le volet de droite, sous l'onglet Fields Setting, définissez Feature Columns sur age, campaign, pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m et nr_employed. Définissez Target Column sur fixed_deposit. Conservez les valeurs par défaut pour les autres paramètres.

      • Sur le canevas, cliquez sur le composant Linear Model Feature Importance-1. Dans le volet de droite, sous l'onglet Fields Setting, définissez Target Column sur fixed_deposit. Conservez les valeurs par défaut pour les autres paramètres.

   4. Une fois les paramètres configurés, cliquez sur le bouton Exécuter .

4. Une fois le pipeline exécuté avec succès, faites un clic droit sur le composant Linear Model Feature Importance-1 et choisissez View Data > Model Importance Table. Le composant Linear Model Feature Importance génère une table affichant les colonnes colname, weight et importance pour chaque caractéristique. Les valeurs sont présentées en notation scientifique. Par exemple, le poids de la caractéristique age est 9.61816270808075E-5.

   Les formules des métriques sont les suivantes.

   Nom de la colonne	Formule
   weight	abs(w_)
   importance	abs(w_j) * STD(f_i) Remarque abs(w_j) représente la valeur absolue du coefficient de la caractéristique, et STD(f_i) correspond à l'écart type des données d'entraînement.

5. Faites un clic droit sur le composant Linear Model Feature Importance-1 et sélectionnez View Analytics Report.