Platform For AI:Naive Bayes

Configuration du composant

Configurez les paramètres du composant Naive Bayes selon l'une des méthodes suivantes.

Méthode 1 : Designer

Méthode 2 : Commandes PAI

PAI -name NaiveBayes -project algo_public
    -DinputTablePartitions="pt=20150501"
    -DmodelName="xlab_m_NaiveBayes_23772"
    -DlabelColName="poutcome"
    -DfeatureColNames="age,previous,cons_conf_idx,euribor3m"
    -DinputTableName="bank_data_partition";

Exemple

1. Préparez les données d'entraînement et les données de test.

   1. Utilisez le client MaxCompute pour créer les tables train_data et test_data afin de stocker respectivement les données d'entraînement et de test. Les deux tables doivent avoir les noms de colonne et les types de données suivants : id bigint, y bigint, f0 double, f1 double, f2 double, f3 double, f4 double, f5 double, f6 double, f7 double. Pour obtenir des instructions sur l'installation et la configuration du client MaxCompute, consultez MaxCompute client (odpscmd). Pour obtenir des instructions sur la création d'une table, consultez Create tables.

   2. Importez les données d'entraînement et de test suivantes respectivement dans les tables train_data et test_data. Pour obtenir des instructions sur l'importation de données, consultez Import data.

      • Données d'entraînement

        id	y	f0	f1	f2	f3	f4	f5	f6	f7
        1	-1	-0,294118	0,487437	0,180328	-0,292929	-1	0,00149028	-0,53117	-0,0333333
        2	+1	-0,882353	-0,145729	0,0819672	-0,414141	-1	-0,207153	-0,766866	-0,666667
        3	-1	-0,0588235	0,839196	0,0491803	-1	-1	-0,305514	-0,492741	-0,633333
        4	+1	-0,882353	-0,105528	0,0819672	-0,535354	-0,777778	-0,162444	-0,923997	-1
        5	-1	-1	0,376884	-0,344262	-0,292929	-0,602837	0,28465	0,887276	-0,6
        6	+1	-0,411765	0,165829	0,213115	-1	-1	-0,23696	-0,894962	-0,7
        7	-1	-0,647059	-0,21608	-0,180328	-0,353535	-0,791962	-0,0760059	-0,854825	-0,833333
        8	+1	0,176471	0,155779	-1	-1	-1	0,052161	-0,952178	-0,733333
        9	-1	-0,764706	0,979899	0,147541	-0,0909091	0,283688	-0,0909091	-0,931682	0,0666667
        10	-1	-0,0588235	0,256281	0,57377	-1	-1	-1	-0,868488	0,1

      • Données de test

        id	y	f0	f1	f2	f3	f4	f5	f6	f7
        1	+1	-0,882353	0,0854271	0,442623	-0,616162	-1	-0,19225	-0,725021	-0,9
        2	+1	-0,294118	-0,0351759	-1	-1	-1	-0,293592	-0,904355	-0,766667
        3	+1	-0,882353	0,246231	0,213115	-0,272727	-1	-0,171386	-0,981213	-0,7
        4	-1	-0,176471	0,507538	0,278689	-0,414141	-0,702128	0,0491804	-0,475662	0,1
        5	-1	-0,529412	0,839196	-1	-1	-1	-0,153502	-0,885568	-0,5
        6	+1	-0,882353	0,246231	-0,0163934	-0,353535	-1	0,0670641	-0,627669	-1
        7	-1	-0,882353	0,819095	0,278689	-0,151515	-0,307329	0,19225	0,00768574	-0,966667
        8	+1	-0,882353	-0,0753769	0,0163934	-0,494949	-0,903073	-0,418778	-0,654996	-0,866667
        9	+1	-1	0,527638	0,344262	-0,212121	-0,356974	0,23696	-0,836038	-0,8
        10	+1	-0,882353	0,115578	0,0163934	-0,737374	-0,56974	-0,28465	-0,948762	-0,933333

2. Créez et exécutez le pipeline en suivant ces étapes. Pour plus d'informations, consultez algorithm modeling.

   1. Dans la liste des composants de Designer, faites glisser les composants suivants sur le canevas : deux composants Read Table, un composant Naive Bayes, un composant Prediction et un composant Multiclass Classification Evaluation.

   2. Connectez les nœuds pour construire le pipeline.

   3. Configurez les paramètres des composants.

      • Cliquez sur le composant Read Table-1 sur le canevas. Dans le volet de droite, sous l'onglet select table , définissez table name sur train_data.

      • Cliquez sur le composant Read Table-2 sur le canevas. Dans le volet de droite, sous l'onglet select table , définissez table name sur test_data.

      • Cliquez sur le composant Naive Bayes-1 sur le canevas. Dans le volet de droite, configurez les paramètres comme suit. Laissez les autres paramètres avec leurs valeurs par défaut.

        Onglet	Paramètre	Description
        field settings	feature column	Sélectionnez les colonnes f0, f1, f2, f3, f4, f5, f6 et f7.
        	label column	Sélectionnez la colonne y.

      • Cliquez sur le composant Prediction-1 sur le canevas. Dans le volet de droite, sous l'onglet field settings , définissez reserved columns sur id et y. Laissez les autres paramètres avec leurs valeurs par défaut.

      • Cliquez sur le composant Multiclass Classification Evaluation-1 sur le canevas. Dans le volet de droite, sous l'onglet field settings , définissez original classification result column sur y. Laissez les autres paramètres avec leurs valeurs par défaut.

   4. Une fois les composants configurés, cliquez sur le bouton Run pour exécuter le pipeline.

3. Après l'exécution du pipeline, cliquez avec le bouton droit sur le composant Prediction-1 et sélectionnez View Data > Prediction Result Output dans le menu contextuel. La table des résultats de prédiction contient les colonnes id, y (libellé d'origine), prediction_result (libellé de prédiction, avec une valeur de 1 ou -1), prediction_score (score de prédiction) et prediction_detail (détails de probabilité de classe au format JSON). Pour les 10 échantillons de test, les scores de prédiction sont proches de 1, ce qui indique une confiance élevée du modèle et de bonnes performances.