Prediction - Platform For AI - Centre de documentation Alibaba Cloud

Le composant Prediction applique un modèle entraîné à de nouvelles données et écrit les résultats dans une table de sortie. Utilisez ce composant lorsque votre modèle a été entraîné avec un composant traditionnel d'exploration de données qui ne dispose pas de composant de prédiction associé.

Prérequis

Avant de commencer, assurez-vous de disposer des éléments suivants :

Un modèle entraîné dans Machine Learning Designer
Une table d'entrée contenant les colonnes de caractéristiques attendues par le modèle

Configurer le composant

Méthode 1 : Configuration dans Machine Learning Designer

Dans la console Platform for AI (PAI), sur le canevas du pipeline, sélectionnez le composant Prediction et configurez les paramètres suivants.

Onglet Fields Setting

Paramètre	Description
Feature columns	Colonnes de caractéristiques sélectionnées dans la table d'entrée. Par défaut, toutes les colonnes sont sélectionnées.
Reserved columns	Colonnes à conserver dans la table de sortie. Incluez la colonne d'étiquette pour faciliter l'évaluation en aval.
Output result column	Colonne de sortie contenant le résultat de prédiction principal.
Output score column	Colonne de sortie contenant la probabilité associée au résultat de prédiction principal.
Output detail column	Colonne de sortie contenant tous les résultats possibles et leurs probabilités respectives.
Sparse matrix	Activez cette option si les données d'entrée sont au format sparse (paires clé-valeur).
KV delimiter	Délimiteur entre les clés et les valeurs dans les données sparse. Valeur par défaut : deux-points (`:`).
KV pair delimiter	Délimiteur entre les paires clé-valeur dans les données sparse. Valeur par défaut : virgule (`,`).

Onglet Tuning

Paramètre	Description
Cores	Nombre de cœurs. Doit être un entier positif. À utiliser conjointement avec Memory size per core.
Memory size per core	Mémoire allouée par cœur, en Mo. À utiliser conjointement avec Cores.

Méthode 2 : Exécuter une commande PAI

Exécutez la commande suivante à l'aide du composant SQL Script :

pai -name prediction
    -DmodelName=nb_model
    -DinputTableName=wpbc
    -DoutputTableName=wpbc_pred
    -DappendColNames=label;

Paramètres

Paramètre	Obligatoire	Description	Valeur par défaut
`inputTableName`	Oui	Nom de la table d'entrée.	—
`modelName`	Oui	Nom du modèle entraîné.	—
`outputTableName`	Oui	Nom de la table de sortie.	—
`featureColNames`	Non	Colonnes de caractéristiques de la table d'entrée, séparées par des virgules.	Toutes les colonnes
`appendColNames`	Non	Colonnes d'entrée à ajouter à la table de sortie.	Aucune
`inputTablePartitions`	Non	Partitions à lire depuis la table d'entrée. Formats pris en charge : `partition_name=value` pour une partition unique, `name1=value1/name2=value2` pour des partitions multiniveaux. Séparez plusieurs partitions par des virgules.	Table complète
`outputTablePartition`	Non	Partition dans laquelle écrire les résultats de la table de sortie.	Aucune
`resultColName`	Non	Colonne de sortie pour le résultat de prédiction principal.	`prediction_result`
`scoreColName`	Non	Colonne de sortie pour la probabilité du résultat de prédiction principal.	`prediction_score`
`detailColName`	Non	Colonne de sortie pour tous les résultats possibles et leurs probabilités.	`prediction_detail`
`enableSparse`	Non	Indique si les données d'entrée sont sparse. Valeurs valides : `true`, `false`.	`false`
`itemDelimiter`	Non	Délimiteur entre les paires clé-valeur sparse.	`,`
`kvDelimiter`	Non	Délimiteur entre les clés et les valeurs sparse.	`:`
`lifecycle`	Non	Cycle de vie de la table de sortie.	Aucune
`coreNum`	Non	Nombre de cœurs.	Alloué automatiquement
`memSizePerCore`	Non	Mémoire par cœur, en Mo.	Alloué automatiquement

Exemple

Cet exemple construit un classificateur de forêt aléatoire et exécute Prediction sur les mêmes données.

Créez la table d'entrée de test :

create table pai_rf_test_input as
select * from
(
select 1 as f0,2 as f1, "good" as class
union all
select 1 as f0,3 as f1, "good" as class
union all
select 1 as f0,4 as f1, "bad" as class
union all
select 0 as f0,3 as f1, "good" as class
union all
select 0 as f0,4 as f1, "bad" as class
)tmp;

Entraînez le modèle à l'aide de l'algorithme de forêt aléatoire :

PAI -name randomforests
   -project algo_public
   -DinputTableName="pai_rf_test_input"
   -DmodelName="pai_rf_test_model"
   -DforceCategorical="f1"
   -DlabelColName="class"
   -DfeatureColNames="f0,f1"
   -DmaxRecordSize="100000"
   -DminNumPer="0"
   -DminNumObj="2"
   -DtreeNum="3";

Exécutez Prediction sur le modèle entraîné :

PAI -name prediction
    -project algo_public
    -DinputTableName=pai_rf_test_input
    -DmodelName=pai_rf_test_model
    -DresultColName=prediction_result
    -DscoreColName=prediction_score
    -DdetailColName=prediction_detail
    -DoutputTableName=pai_temp_2283_76333_1

Consultez la table de sortie pai_temp_2283_76333_1 :

La table de sortie contient trois colonnes :
- prediction_result : le résultat de prédiction principal (la classe ayant la probabilité la plus élevée). Dans cet exemple, la valeur est good ou bad.
- prediction_score : la probabilité du résultat de prédiction principal. Dans cet exemple, le résultat de prédiction peut être good ou bad, selon la probabilité la plus élevée ; prediction_score contient les probabilités les plus élevées.
- prediction_detail : tous les résultats possibles et leurs probabilités.