Exécutez une inférence hors ligne sur les modèles issus du composant XGBoost Train. Prend en charge la classification et la régression avec des entrées au format Table ou LibSVM.
Limites
Moteurs de calcul pris en charge : MaxCompute, Flink et DLC.
Formats de données
Formats pris en charge : Table et LibSVM.
-
Exemple de format Table :
f0
f1
label
0,1
1
0
0,9
2
1
-
Exemple de format LibSVM :
Données d'exemple
2:1 9:1 10:1 20:1 29:1 33:1 35:1 39:1 40:1 52:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 116:1 123:1
0:1 9:1 18:1 20:1 23:1 33:1 35:1 38:1 41:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 105:1 115:1 121:1
2:1 8:1 18:1 20:1 29:1 33:1 35:1 39:1 41:1 52:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 116:1 123:1
2:1 9:1 13:1 21:1 28:1 33:1 36:1 38:1 40:1 53:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 97:1 105:1 113:1 119:1
0:1 9:1 18:1 20:1 22:1 33:1 35:1 38:1 44:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 115:1 121:1
0:1 8:1 18:1 20:1 23:1 33:1 35:1 38:1 41:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 105:1 116:1 121:1
Configuration via l'interface graphique
Configurez le composant XGBoost Predict sur le canevas de Designer.
Paramètre | Type | Description | |
Fields Setting | Reserved Column Name | Tableau de chaînes | Colonnes à conserver dans la sortie. |
Feature Columns | Tableau de chaînes | Colonnes de caractéristiques pour les données au format Table. Incompatible avec Vector Field (format LibSVM). | |
Vector Field Name | Chaîne | Colonne contenant les données au format LibSVM. Incompatible avec Feature Columns (format Table). | |
Parameters Setting | Prediction Result Column | Chaîne | Nom de la colonne de sortie pour les résultats de prédiction. |
Execution Tuning | Number of Workers | Entier positif | Nombre de workers parallèles. Définissez ce paramètre conjointement avec Memory per Worker. Valeurs valides : [1, 9999]. |
Memory per Worker | Entier positif | Mémoire allouée par worker en Mo. Valeurs valides : [1024, 64 × 1024]. | |
Exemple d'utilisation
Cet exemple illustre la classification XGBoost appliquée aux données d'événements du boson de Higgs, en utilisant un modèle prédéfini. Pour créer ce pipeline à partir du modèle Use XGBoost algorithm to identify the Higgs boson, consultez la rubrique Créer un pipeline à partir d'un modèle prédéfini.
Convertir le format de sortie pour l'évaluation
Le composant génère des chaînes JSON sérialisées issues de la bibliothèque XGBoost open source. Convertissez cette sortie afin que les composants d'évaluation puissent traiter les prédictions.
Ajoutez un composant SQL Script en aval de XGboost Predict. Le script SQL convertit les prédictions au format requis par Binary classification Evaluation V2. Utilisez le code suivant :
set odps.sql.udf.getjsonobj.new=true;
select *, CONCAT("{\"0\":", 1.0-prob, ",\"1\":", prob, "}") as detail
FROM (
select *, cast(get_json_object(pred, '$[0]') as double) as prob FROM ${t1})Références
XGBoost Predict nécessite un modèle entraîné issu du composant XGBoost Train. Pour plus de détails sur la configuration, consultez la rubrique XGBoost Train.
Designer propose des composants algorithmiques pour les tâches de traitement des données. Pour la liste complète, consultez la rubrique Présentation des composants Designer.