K-NN - Platform For AI

Komponen K-NN memilih K-record terdekat dari sebuah baris dalam tabel prediksi untuk Klasifikasi. Kelas yang paling umum dari K-record terdekat digunakan sebagai kelas dari baris tersebut.

Konfigurasi Komponen

Anda dapat menggunakan salah satu metode berikut untuk mengonfigurasi komponen K-NN:

Metode 1: Konfigurasikan komponen pada halaman pipeline

Anda dapat mengonfigurasi parameter komponen K-NN pada halaman pipeline Machine Learning Designer dari Platform for AI (PAI). Machine Learning Designer sebelumnya dikenal sebagai Machine Learning Studio. Tabel berikut menjelaskan parameter-parameter tersebut.

Tab	Parameter	Deskripsi
Fields Setting	Feature Columns in the Training Table	Kolom fitur yang digunakan untuk pelatihan.
	Specifies the label column in the training table	Kolom label yang dipilih untuk pelatihan.
	Feature Columns in the Prediction Table	Jika parameter ini tidak ditentukan, kolom fitur yang dipilih dari tabel prediksi sama dengan kolom fitur dalam tabel pelatihan.
	Append ID Column to Output Table	Kolom ID yang digunakan untuk mendapatkan nilai prediksi dari sebuah kolom. Secara default, kolom fitur yang dipilih dari tabel prediksi digunakan sebagai kolom ID.
	Input in Sparse Format	Tentukan apakah data masukan dalam format sparse. Jika Anda memilih kotak centang, data masukan dalam format key-value.
	KV Pair Delimiter	Pemisah yang digunakan untuk memisahkan pasangan key-value. Secara default, koma (,) digunakan.
	Key and Value Delimiter	Pemisah yang digunakan untuk memisahkan key dan value. Secara default, titik dua (:) digunakan.
Parameters Setting	Number of Neighbors	Nilai default: 100.
Tuning	Number of Cores	Jumlah core. Secara default, sistem menentukan nilainya.
Tuning	Memory Size	Ukuran memori setiap core. Secara default, sistem menentukan nilainya.

Metode 2: Gunakan perintah PAI

Konfigurasikan parameter komponen dengan menggunakan perintah PAI. Anda dapat menggunakan komponen SQL Script untuk memanggil perintah PAI. Untuk informasi lebih lanjut, lihat SQL Script.

PAI -name knn
    -DtrainTableName=pai_knn_test_input
    -DtrainFeatureColNames=f0,f1
    -DtrainLabelColName=class
    -DpredictTableName=pai_knn_test_input
    -DpredictFeatureColNames=f0,f1
    -DoutputTableName=pai_knn_test_output
    -Dk=2;

Parameter	Diperlukan	Deskripsi	Nilai Default
trainTableName	Ya	Nama tabel pelatihan.	N/A
trainFeatureColNames	Ya	Nama kolom fitur dalam tabel pelatihan.	N/A
trainLabelColName	Ya	Nama kolom label dalam tabel pelatihan.	N/A
trainTablePartitions	Tidak	Partisi yang dipilih dari tabel pelatihan untuk pelatihan.	Semua partisi
predictTableName	Ya	Nama tabel prediksi.	N/A
outputTableName	Ya	Nama tabel output.	N/A
predictFeatureColNames	Tidak	Nama kolom fitur dalam tabel prediksi.	Sama dengan nilai parameter trainFeatureColNames
predictTablePartitions	Tidak	Partisi yang dipilih dari tabel prediksi untuk prediksi.	Semua partisi
appendColNames	Tidak	Nama kolom yang ditambahkan ke tabel output.	Sama dengan nilai parameter predictFeatureColNames
outputTablePartition	Tidak	Partisi dalam tabel output.	Tabel lengkap
k	Tidak	Jumlah tetangga terdekat K. Nilai valid: 1 hingga 1000.	100
enableSparse	Tidak	Tentukan apakah data dalam tabel input dalam format sparse. Nilai valid: true and false.	false
itemDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan pasangan key-value.	,
kvDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan key dan value dalam pasangan key-value.	:
coreNum	Tidak	Jumlah core. Parameter ini harus digunakan bersama dengan parameter memSizePerCore. Nilai valid: 1 hingga 20000.	Ditentukan oleh sistem
memSizePerCore	Tidak	Ukuran memori setiap core. Nilai valid: 1024 hingga 64 x 1024. Unit: MB.	Ditentukan oleh sistem
lifecycle	Tidak	Lifecycle tabel output.	N/A

Contoh

Hasilkan data pelatihan.

create table pai_knn_test_input as
select * from
(
  select 1 as f0,2 as f1, 'good' as class
  union all
  select 1 as f0,3 as f1, 'good' as class
  union all
  select 1 as f0,4 as f1, 'bad' as class
  union all
  select 0 as f0,3 as f1, 'good' as class
  union all
  select 0 as f0,4 as f1, 'bad' as class
)tmp;

Jalankan perintah PAI berikut untuk mengirimkan parameter komponen K-NN:

pai -name knn
    -DtrainTableName=pai_knn_test_input
    -DtrainFeatureColNames=f0,f1
    -DtrainLabelColName=class
    -DpredictTableName=pai_knn_test_input
    -DpredictFeatureColNames=f0,f1
    -DoutputTableName=pai_knn_test_output
    -Dk=2;

Lihat hasil pelatihan. Hasilnya mencakup kolom-kolom berikut:
- f0 dan f1: kolom-kolom yang ditambahkan.
- prediction_result: mencantumkan hasil klasifikasi.
- prediction_score: mencantumkan probabilitas untuk hasil klasifikasi.
- prediction_detail: Menampilkan kelas dari K-tetangga terdekat beserta probabilitasnya.