All Products
Search

This Product

    Platform For AI:Linear model feature importance

    Document Center

    Platform For AI:Linear model feature importance

    Last Updated:Jun 21, 2026

    Komponen Linear Model Feature Importance menghitung pentingnya fitur untuk model linier, termasuk regresi linier dan regresi logistik untuk klasifikasi biner. Komponen ini mendukung format data sparse maupun dense. Topik ini menjelaskan cara mengonfigurasi komponen tersebut.

    Batasan

    Engine komputasi yang didukung adalah MaxCompute.

    Konfigurasi komponen

    Anda dapat mengonfigurasi parameter komponen Linear Model Feature Importance dengan salah satu cara berikut.

    Metode 1: Antarmuka visual

    Konfigurasikan parameter komponen pada halaman pipeline di Machine Learning Designer.

    Tab

    Parameter

    Deskripsi

    Fields Setting

    Feature Columns

    Kolom fitur dari tabel input yang digunakan untuk pelatihan. Parameter ini opsional. Secara default, semua kolom digunakan kecuali kolom label.

    Target Column

    Wajib diisi. Klik Select Fields untuk memilih kolom label.

    Input table data is in sparse format

    Opsional.

    Tuning

    Number of Cores

    Jumlah core untuk komputasi. Opsional.

    Memory per Core (MB)

    Jumlah memori per core, dalam MB. Opsional.

    Metode 2: Perintah PAI

    Anda dapat mengonfigurasi parameter komponen dengan menjalankan perintah PAI di komponen SQL Script. Untuk informasi selengkapnya, lihat SQL Script.

    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;

    Parameter

    Wajib

    Deskripsi

    Default

    inputTableName

    Ya

    Nama tabel input.

    Tidak ada

    outputTableName

    Ya

    Nama tabel output.

    Tidak ada

    labelColName

    Ya

    Nama kolom label di tabel input.

    Tidak ada

    modelName

    Ya

    Nama model input.

    Tidak ada

    featureColNames

    Tidak

    Kolom fitur yang dipilih dari tabel input.

    Semua kolom kecuali kolom label.

    inputTablePartitions

    Tidak

    Partisi yang digunakan dari tabel input.

    Seluruh tabel.

    enableSparse

    Tidak

    Menentukan apakah data input dalam format sparse.

    false

    itemDelimiter

    Tidak

    Delimeter antar pasangan kunci-nilai untuk data input dalam format sparse.

    Spasi

    kvDelimiter

    Tidak

    Delimeter antara kunci dan nilainya untuk data input dalam format sparse.

    Titik dua (:)

    lifecycle

    Tidak

    Siklus hidup tabel output, dalam hari.

    Tidak ditentukan

    coreNum

    Tidak

    Jumlah core.

    Otomatis

    memSizePerCore

    Tidak

    Jumlah memori per core, dalam MB.

    Otomatis

    Contoh

    1. Buat tabel bernama bank_data dan impor data ke dalamnya. Untuk informasi selengkapnya, lihat Buat tabel dan Impor data.

    2. Jalankan Pernyataan SQL berikut untuk menghasilkan data pelatihan.

      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. Bangun dan jalankan pipeline. Untuk informasi selengkapnya, lihat Pemodelan algoritma. Untuk menghubungkan komponen, hubungkan output Read Table-1 ke input Logistic Regression for Multiclass Classification dan Linear Model Feature Importance. Lalu, hubungkan output Logistic Regression for Multiclass Classification ke input Linear Model Feature Importance.

      1. Tarik komponen Read Table, Logistic Regression for Multiclass Classification, dan Linear Model Feature Importance dari daftar komponen di Machine Learning Designer ke Kanvas.

      2. Hubungkan komponen-komponen tersebut untuk membangun pipeline.

      3. Konfigurasikan parameter untuk setiap komponen.

        • Pada Kanvas, klik komponen Read Table-1. Di panel kanan, pada tab Select Table, atur Table Name menjadi bank_data.

        • Pada Kanvas, klik komponen Logistic Regression for Multiclass Classification-1. Di panel kanan, pada tab Fields Setting, atur Feature Columns menjadi age, campaign, pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m, dan nr_employed. Atur Target Column menjadi fixed_deposit. Gunakan nilai default untuk parameter lainnya.

        • Pada Kanvas, klik komponen Linear Model Feature Importance-1. Di panel kanan, pada tab Fields Setting, atur Target Column menjadi fixed_deposit. Gunakan nilai default untuk parameter lainnya.

      4. Setelah Anda mengonfigurasi parameter, klik tombol Run image.

    4. Setelah pipeline berhasil dijalankan, klik kanan komponen Linear Model Feature Importance-1 dan pilih View Data > Model Importance Table. Komponen Linear Model Feature Importance menghasilkan tabel yang menampilkan colname, weight, dan importance untuk setiap fitur. Nilai-nilai tersebut disajikan dalam notasi ilmiah. Sebagai contoh, weight fitur age adalah 9.61816270808075E-5.

      Rumus metriknya adalah sebagai berikut.

      Nama kolom

      Rumus

      weight

      abs(w_)

      importance

      abs(w_j) * STD(f_i)

      Catatan

      abs(w_j) adalah nilai absolut dari koefisien fitur, dan STD(f_i) adalah deviasi standar dari data pelatihan.

    5. Klik kanan komponen Linear Model Feature Importance-1 dan pilih View Analytics Report.image

    Dokumen terkait