GBDT Klasifikasi Biner V2 - Platform For AI

Gradient Boosting Decision Trees (GBDT) Klasifikasi Biner adalah model pembelajaran terawasi klasik berbasis Boosting Gradien. Model ini cocok untuk skenario klasifikasi biner.

Sumber daya komputasi yang didukung

Anda hanya dapat menggunakan GBDT Klasifikasi Biner V2 dengan sumber daya komputasi MaxCompute.

Algoritma

GBDT Klasifikasi Biner adalah model pembelajaran terawasi klasik berbasis Boosting Gradien. Algoritma ini digunakan dalam skenario klasifikasi biner.

Prinsip

Model pohon keputusan Boosting Gradien terdiri dari beberapa pohon keputusan. Setiap pohon keputusan sesuai dengan pembelajar lemah. Penggabungan pembelajar lemah ini menghasilkan hasil klasifikasi dan regresi yang lebih baik.

Gambar berikut menunjukkan struktur rekursif dasar dari Boosting Gradien.

Dalam banyak kasus, adalah pohon keputusan CART, adalah parameter dari pohon keputusan, dan adalah ukuran langkah. Setiap pohon keputusan mengoptimalkan fungsi objektif berdasarkan pohon keputusan sebelumnya. Proses ini menghasilkan model yang terdiri dari beberapa pohon keputusan.

Skenario

Algoritma ini mencakup optimasi seperti optimasi orde kedua yang disediakan oleh XGBoost dan pendekatan histogram yang disediakan oleh LightGBM. Algoritma ini memberikan performa tinggi dan interpretasi yang baik, serta dapat digunakan untuk klasifikasi biner umum.

GBDT Klasifikasi Biner V2 mendukung input dalam format vektor jarang dan format kolom fitur ganda. Jika Anda menggunakan format vektor jarang, Anda hanya dapat memilih satu kolom bertipe string. Setiap entri data adalah pasangan nilai-kunci yang dipisahkan oleh spasi, dengan nilai-nilai dipisahkan oleh titik dua. Contoh: 1:0.3 3:0.9. Jika Anda menggunakan format kolom fitur ganda, Anda dapat memilih beberapa kolom bertipe double, bigint, dan string, termasuk fitur numerik dan fitur kategorikal. Algoritma ini mengelompokkan data fitur numerik dan menggunakan strategi pemisahan banyak-vs-banyak untuk memproses fitur kategorikal. Anda tidak perlu melakukan one-hot encoding untuk fitur kategorikal.

Algoritma ini mengharuskan kategori klasifikasi biner bernilai 0 dan 1.

Komponen ini digunakan berpasangan dengan komponen GBDT Prediksi Klasifikasi Biner V2. Setelah menjalankan komponen-komponen ini, Anda dapat menerapkan model yang telah dilatih sebagai layanan online. Untuk informasi lebih lanjut, lihat Terapkan pipeline sebagai layanan online.

Konfigurasikan komponen di Machine Learning Designer

Port masukan

Port (dari kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
Data Masukan	Tidak ada parameter yang dikembalikan.	Baca Tabel	Ya

Parameter komponen

Tab	Parameter	Diperlukan	Deskripsi	Nilai default
Fields Setting	Use Sparse Vector Format	Tidak	Menentukan apakah kolom fitur yang digunakan untuk pelatihan dalam tabel input berada dalam format vektor jarang. Dalam format vektor jarang, setiap entri data adalah pasangan nilai-kunci yang dipisahkan oleh spasi. Nilai-nilainya dipisahkan oleh titik dua. Contoh: `1:0.3 3:0.9`.	Tidak
	Select Feature Columns	Ya	Nama kolom fitur yang dipilih dari tabel input untuk pelatihan. Jika format vektor jarang tidak dipilih, Anda dapat memilih kolom bertipe double, bigint, atau string. Jika format vektor jarang dipilih, Anda hanya dapat memilih satu kolom bertipe string.	Tidak ada parameter yang dikembalikan.
	Select Categorical Feature Columns	Tidak	Pilih kolom untuk diproses sebagai fitur kategorikal. Kolom yang tidak dipilih diproses sebagai fitur numerik. Parameter ini valid ketika format vektor jarang tidak dipilih.	Tidak ada parameter yang dikembalikan.
	Select Label Column	Ya	Nama kolom label yang dipilih dari tabel input untuk pelatihan.	Tidak ada parameter yang dikembalikan.
	Select Weight Column	Tidak	Nama kolom bobot yang dipilih dari tabel input untuk pelatihan.	Tidak ada parameter yang dikembalikan.
Parameter Setting	Number of Trees	Tidak	Jumlah pohon dalam model.	1
	Maximum Number of Leaf Nodes	Tidak	Jumlah maksimum node daun pada setiap pohon.	32
	Learning Rate	Tidak	Tingkat pembelajaran.	0,05
	Ratio of Samples	Tidak	Proporsi sampel yang dipilih untuk pelatihan. Nilai valid: (0,1].	0,6
	Ratio of Features	Tidak	Proporsi fitur yang dipilih untuk pelatihan. Nilai valid: (0,1].	0,6
	Minimum Number of Samples in a Leaf Node	Tidak	Jumlah minimum sampel pada setiap node daun.	500
	Maximum Number of Bins	Tidak	Jumlah maksimum bins yang diizinkan saat mendiskritisasi fitur kontinu. Nilai yang lebih besar menunjukkan pemisahan yang lebih presisi. Pemisahan yang lebih presisi menghasilkan biaya yang lebih tinggi.	32
	Maximum Number of Distinct Categories	Tidak	Jumlah maksimum kategori berbeda yang diizinkan untuk fitur kategorikal. Untuk setiap fitur kategorikal, kategori diurutkan berdasarkan frekuensi. Kategori dengan peringkat lebih besar dari nilai ini digabungkan ke dalam satu bucket. Nilai yang lebih besar menunjukkan pemisahan yang lebih presisi. Pemisahan yang lebih presisi meningkatkan kemungkinan overfitting dan biaya yang lebih tinggi.	1.024
	Number of features	Tidak	Parameter ini valid ketika format vektor jarang dipilih. Tentukan parameter ini sebagai nilai ID fitur maksimum + 1. Sistem secara otomatis memindai data untuk menghitung jika parameter ini dibiarkan kosong.	Angka dihitung secara otomatis berdasarkan data input.
	Initial Prediction	Tidak	Probabilitas contoh positif. Sistem secara otomatis memindai data untuk memperkirakan jika parameter ini dibiarkan kosong.	Angka dihitung secara otomatis berdasarkan data input.
	Random Seed	Tidak	Seed acak, yang digunakan untuk pengambilan sampel.	0
Tuning	Choose Running Mode	Tidak	Pilih Mode Jalankan. Nilai valid: MaxCompute Flink	MaxCompute
	Number of Instances	Tidak	Jumlah instans yang digunakan untuk menjalankan pekerjaan.	Angka dihitung secara otomatis berdasarkan data input.
	Memory Per Instance	Tidak	Ukuran memori setiap instans. Satuan: MB.	Angka dihitung secara otomatis berdasarkan data input.
	Num of Threads	Tidak	Jika multi-threading digunakan, biaya yang lebih tinggi akan dikeluarkan. Dalam banyak kasus, performa tidak meningkat secara linear dengan jumlah thread. Jika lebih banyak thread daripada jumlah thread optimal digunakan, performa menurun.	1

Port keluaran

Port keluaran	Lokasi penyimpanan	Komponen hilir yang direkomendasikan	Tipe data
Model Keluaran	N/A	GBDT Prediksi Klasifikasi Biner V2	Tabel MaxCompute
Output Pentingnya Fitur	N/A	Tidak ada parameter yang dikembalikan. Komponen hilir tidak dapat dihubungkan ke komponen berbasis perintah PAI, seperti GBDT Pentingnya Fitur V2.	Tabel MaxCompute

Perbandingan dengan Pelatihan Klasifikasi Biner PS-SMART

Jika Anda mengalami masalah sulit saat menggunakan komponen Pelatihan Klasifikasi Biner PS-SMART, Anda dapat menggunakan komponen GBDT Klasifikasi Biner V2. Untuk informasi lebih lanjut, lihat Pelatihan Klasifikasi Biner PS-SMART. Tabel berikut menggambarkan fitur dan parameter dari kedua komponen tersebut.

Parameter Pelatihan Klasifikasi Biner PS-SMART	GBDT Klasifikasi Biner V2
Use Sparse Format	Use Sparse Vector Format
Feature Columns	Feature Columns
Label Column	Label Column
Weight Column	Select Weight Column
Evaluation Indicator Type	Tidak didukung. Area under curve (AUC) digunakan secara default. Anda dapat melihat metrik di log pekerja.
Trees	Number of Trees
Maximum Tree Depth	Maximum Number of Leaf Nodes: `Jumlah Maksimum Node Daun = 2 ^ (Kedalaman Maksimum Pohon - 1)`.
Data Sampling Fraction	Ratio of Samples
Feature Sampling Fraction	Ratio of Features
L1 Penalty Coefficient	Tidak didukung
L2 Penalty Coefficient	Tidak didukung
Learning Rate	Learning Rate
Sketch-based Approximate Precision	Maximum Number of Bins: `Jumlah Maksimum Bins = 1/Presisi Pendekatan Berbasis Sketch`.
Minimum Split Loss Change	Minimum Number of Samples in a Leaf Node: tidak dapat dikonversi langsung ke Perubahan Kerugian Minimum untuk Pemisahan, tetapi kedua parameter tersebut dapat digunakan untuk mencegah overfitting.
Features	Features
Global Offset	Global Offset
Random Seed	Random Seed
Feature Importance Type	Tidak tersedia. Nilai default: gain.
Cores	Number of Instances: bukan nilai yang sama dengan Core. Kami menyarankan Anda menyesuaikan angka berdasarkan nilai yang dihasilkan secara otomatis oleh sistem.
Memory Size per Core	Memory per Instance: bukan nilai yang sama dengan Ukuran Memori per Core. Kami menyarankan Anda menyesuaikan angka berdasarkan nilai yang dihasilkan secara otomatis oleh sistem.