konfigurasi komponen matriks kebingungan - Platform For AI

Komponen Matriks Kebingungan cocok untuk Supervised Learning dan sesuai dengan matriks pencocokan dalam Unsupervised Learning. Dalam evaluasi presisi, Komponen Matriks Kebingungan digunakan untuk membandingkan hasil klasifikasi dengan nilai pengukuran aktual serta menampilkan presisi hasil klasifikasi dalam sebuah matriks. Topik ini menjelaskan cara mengonfigurasi Komponen Matriks Kebingungan di Platform for AI (PAI).

Batasan

Komponen Matriks Kebingungan hanya dapat digunakan berdasarkan sumber daya komputasi MaxCompute.

Konfigurasi komponen

Anda dapat menggunakan salah satu dari metode berikut untuk mengonfigurasi Komponen Matriks Kebingungan.

Metode 1: Konfigurasi komponen di konsol PAI

Anda dapat mengonfigurasi parameter Komponen Matriks Kebingungan di Machine Learning Designer. Tabel berikut menjelaskan parameter tersebut.

Parameter	Deskripsi
Original Label Column	Kolom tipe data numerik didukung.
Prediction Result Label Column	Parameter ini diperlukan jika parameter Threshold tidak ditentukan.
Threshold	Ambang batas yang digunakan untuk menentukan contoh positif. Contoh dengan nilai lebih besar dari nilai parameter ini adalah contoh positif.
Prediction Result Detail Column	Anda hanya dapat mengonfigurasi salah satu parameter Kolom Detail Hasil Prediksi atau Prediction Result Label Column. Parameter ini diperlukan jika parameter Threshold ditentukan.
Positive Sample Label	Parameter ini diperlukan jika parameter Threshold ditentukan.

Metode 2: Konfigurasi komponen menggunakan perintah PAI

Berikut ini adalah penjelasan parameter-parameter tersebut. Anda dapat menggunakan skrip SQL untuk memanggil perintah PAI. Untuk informasi lebih lanjut, lihat Skrip SQL.

Ambang batas tidak ditentukan

pai -name confusionmatrix -project algo_public
    -DinputTableName=wpbc_pred
    -DoutputTableName=wpbc_confu
    -DlabelColName=label
    -DpredictionColName=prediction_result;

Ambang batas ditentukan

pai -name confusionmatrix -project algo_public
    -DinputTableName=wpbc_pred
    -DoutputTableName=wpbc_confu
    -DlabelColName=label
    -DpredictionDetailColName=prediction_detail
    -Dthreshold=0.8
    -DgoodValue=N;

Parameter	Diperlukan	Deskripsi	Nilai default
inputTableName	Ya	Nama tabel input. Nilainya juga merupakan nama tabel output prediksi.	Tidak tersedia
inputTablePartition	Tidak	Partisi yang dipilih dari tabel input untuk pelatihan.	Tabel lengkap
outputTableName	Ya	Nama tabel output. Tabel output digunakan untuk menyimpan matriks kebingungan.	Tidak tersedia
labelColName	Ya	Nama kolom label asli.	Tidak tersedia
predictionColName	Tidak	Nama kolom hasil prediksi. Parameter ini diperlukan jika parameter threshold tidak ditentukan.	Tidak tersedia
predictionDetailColName	Tidak	Nama kolom detail hasil prediksi. Parameter ini diperlukan jika parameter threshold ditentukan.	Tidak tersedia
threshold	Tidak	Ambang batas yang digunakan untuk menentukan contoh positif.	0.5
goodValue	Tidak	Nilai label yang sesuai dengan koefisien pelatihan dalam klasifikasi biner. Parameter ini diperlukan jika parameter threshold ditentukan.	Tidak tersedia
coreNum	Tidak	Jumlah core yang digunakan dalam komputasi.	Dialokasikan secara otomatis
memSizePerCore	Tidak	Ukuran memori setiap core. Satuan: MB.	Dialokasikan secara otomatis
lifecycle	Tidak	Lifecycle tabel output.	Tidak tersedia

Contoh

Buat tabel bernama test_data menggunakan klien MaxCompute. Kolom-kolom tabel meliputi id, label, dan prediction_result, dengan tipe-tipe kolom bigint, string, dan string. Untuk informasi tentang cara menginstal dan mengonfigurasi klien MaxCompute, lihat Klien MaxCompute (odpscmd). Untuk informasi tentang cara membuat tabel, lihat Buat Tabel.
Impor data uji berikut ke tabel test_data. Untuk informasi lebih lanjut tentang cara mengimpor data, lihat Impor Data ke Tabel.
id
label
prediction_result
0
A
A
1
A
B
2
A
A
3
A
A
4
B
B
5
B
B
6
B
A
7
B
B
8
B
A
9
A
A
Buat pipeline seperti yang ditunjukkan pada gambar berikut dan jalankan pipeline tersebut. Untuk informasi lebih lanjut, lihat Pemodelan Algoritma.
1. Seret komponen Read Table dan Confusion Matrix dari daftar di sebelah kiri ke kanvas.
2. Hubungkan komponen seperti yang ditunjukkan pada gambar sebelumnya untuk membangun pipeline.
3. Konfigurasikan parameter komponen.
  - Klik komponen Read Table -1 di kanvas. Pada tab Select Table di sebelah kanan, atur parameter Table Name menjadi test_data.
  - Klik komponen Confusion Matrix -1 di kanvas dan konfigurasikan parameter. Tabel berikut menjelaskan parameter utama. Gunakan nilai default untuk parameter lainnya.
    Parameter
    Deskripsi
    Original Label Column
    Pilih kolom label.
    Prediction Result Label Column
    Masukkan prediction_result.
4. Setelah mengonfigurasi parameter, klik ikon untuk menjalankan pipeline.
Setelah menjalankan pipeline, klik kanan komponen Confusion Matrix -1 dan pilih Visual Analysis untuk melihat output komponen.
- Klik tab Confusion Matrix untuk melihat output matriks kebingungan.
- Klik tab Statistics untuk melihat statistik tentang model.

Referensi

Untuk informasi tentang komponen Machine Learning Designer, lihat Ikhtisar Machine Learning Designer.
Machine Learning Designer menyediakan berbagai komponen algoritma preset. Anda dapat memilih komponen untuk pemrosesan data berdasarkan kebutuhan bisnis Anda. Untuk informasi lebih lanjut, lihat Ikhtisar Komponen Designer.

id	label	prediction_result
0	A	A
1	A	B
2	A	A
3	A	A
4	B	B
5	B	B
6	B	A
7	B	B
8	B	A
9	A	A