MaxCompute：ML_PREDICT

Format perintah

STRING|STRUCT ML_PREDICT(<model_name>, <version_name>, col1,col2,...);

Parameters

• model_name: Wajib diisi. Nama model, yang harus memiliki model_type berupa BOOSTED_TREE_REGRESSOR atau BOOSTED_TREE_CLASSIFIER.

• version_name: Wajib diisi. Nama versi model. Untuk memanggil versi default, gunakan DEFAULT_VERSION.

• col1,col2,...: Wajib diisi. Kolom input untuk prediksi. Tipe, urutan, dan jumlah kolom harus sesuai dengan definisi model; jika tidak, sistem akan mengembalikan kesalahan.

Return value

• Ketika model_type bernilai BOOSTED_TREE_REGRESSOR (model regresi), model mengembalikan kolom hasil bertipe STRING sebagai hasil prediksi.

• Ketika `model_type` adalah BOOSTED_TREE_CLASSIFIER (model klasifikasi), kolom hasil bertipe `STRUCT` dikembalikan dengan format STRUCT<label:STRING, probs:ARRAY(prob:FLOAT)>, di mana

  • Bidang pertama, label, menunjukkan kelas yang diprediksi untuk baris tersebut.

  • Bidang kedua, probs, berisi probabilitas prediksi untuk setiap kelas.

Examples

• Contoh 1: Panggil model regresi XGBoost bernama demo_model_xgboost_regressor. Jika model belum ada, Anda harus membuatnya terlebih dahulu. Untuk informasi selengkapnya, lihat Train and predict with an XGBoost model in MaxCompute. Setelah model dibuat, gunakan data pada contoh berikut untuk melakukan prediksi.

  SELECT ML_PREDICT(demo_model_xgboost_regressor,v01,0.22438f,0f,9.69f,0,0.585f,6.027f,79.7f,2.4982f,6.123f,391f,19.2f,14.33f);
  -- Returns 20.03961.

• Contoh 2: Panggil model klasifikasi XGBoost bernama test_xgboost_classifier. Jika model belum ada, Anda harus membuatnya terlebih dahulu. Untuk informasi selengkapnya, lihat Create and delete a model. Setelah model dibuat, gunakan data pada contoh berikut untuk melakukan prediksi.

  SELECT ML_PREDICT(test_xgboost_classifier,v1,1,2,3,4);
  -- Returns {label:0, probs:[0.9266666, 0.03781649, 0.03551693]}.