全部产品
Search
文档中心

Platform For AI:GBDT Binary Classification Prediction V2

更新时间:Jul 02, 2025

Komponen Prediksi Klasifikasi Biner GBDT V2 dari Platform for AI (PAI) menyediakan fitur prediksi berdasarkan komponen Prediksi Klasifikasi Biner GBDT V2. Pohon keputusan dengan boosting gradien digunakan untuk memprediksi hasil klasifikasi biner. Topik ini menjelaskan cara mengonfigurasi komponen Prediksi Klasifikasi Biner GBDT V2.

Sumber daya komputasi yang didukung

Anda dapat menggunakan komponen Prediksi Klasifikasi Biner GBDT V2 berdasarkan sumber daya komputasi MaxCompute dan Flink.

Prinsip

Model pohon keputusan dengan boosting gradien terdiri dari beberapa pohon keputusan. Setiap pohon keputusan sesuai dengan pembelajar lemah. Menggabungkan pembelajar lemah ini bersama-sama dapat mencapai hasil klasifikasi dan regresi yang lebih baik.

Gambar berikut menunjukkan struktur rekursif dasar dari boosting gradien.

image

Dalam kebanyakan kasus, image adalah pohon keputusan CART, image adalah parameter dari pohon keputusan, dan image adalah ukuran langkah. Setiap pohon keputusan mengoptimalkan fungsi objektif berdasarkan pohon keputusan sebelumnya. Setelah proses tersebut, diperoleh model yang berisi beberapa pohon keputusan.

Konfigurasikan komponen di konsol PAI

  • Port Input

    Port input (dari kiri ke kanan)

    Tipe data

    Komponen hulu yang direkomendasikan

    Diperlukan

    Input

    N/A

    GBDT Binary Classification V2

    Ya

    Tabel Data Prediksi

    N/A

    Baca Tabel

    Ya

  • Parameter

    Tab

    Parameter

    Diperlukan

    Deskripsi

    Nilai default

    Fields Information

    Prediction result column name

    Ya

    Nama kolom hasil prediksi.

    prediction_result

    predictionDetailCol

    Tidak

    Nama kolom detail prediksi.

    prediction_detail

    Reserved Columns

    Tidak

    Nama kolom yang dicadangkan. Secara default, semua kolom dicadangkan.

    N/A

    Tuning

    Number of Instances

    Tidak

    Jumlah instans yang digunakan untuk menjalankan pekerjaan.

    Nilainya dihitung secara otomatis berdasarkan data input.

    Memory Per Instance

    Tidak

    Ukuran memori setiap instans. Unit: MB. Nilai valid: [100,65536].

    Nilainya dihitung secara otomatis berdasarkan data input.

  • Port Output

    Port

    Lokasi penyimpanan

    Komponen hilir yang direkomendasikan

    Tipe model

    Output

    N/A

    Evaluasi Klasifikasi Biner

    N/A

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.