Platform For AI：Prediksi Regresi Lasso

Batasan

Komponen Pelatihan Regresi Ridge hanya dapat digunakan dengan salah satu sumber daya komputasi berikut: MaxCompute, Realtime Compute for Apache Flink, atau Deep Learning Containers (DLC) dari Platform for AI (PAI).

Cara kerja LASSO

LASSO membuat fungsi penalti untuk menghasilkan model yang lebih halus. LASSO dapat mengecilkan beberapa koefisien regresi dan menetapkan koefisien tertentu menjadi nol. Jika sebuah koefisien diperkecil, jumlah nilai absolutnya akan kurang dari nilai tetap. Dengan cara ini, LASSO mempertahankan fitur bermanfaat dari penyusutan subset dan menerapkan estimasi bias pada data multikolinearitas.

Mengonfigurasi komponen di konsol PAI

• Port Input

  Port input (kiri ke kanan)	Tipe	Komponen hulu yang direkomendasikan	Diperlukan
  Model input dari prediksi	Tidak ada	Pelatihan Regresi Lasso	Ya
  Data input dari prediksi	Tidak ada	Baca Tabel Feature engineering Prepare and preprocess data	Ya

• Pengaturan Parameter

  Tab	Parameter	Deskripsi
  Field Setting	reservedCols	Kolom yang akan disimpan oleh algoritma.
  	vectorCol	Nama kolom vektor.
  Parameter Setting	predictionCol	Nama kolom prediksi.
  	numThreads	Jumlah utas komponen. Nilai default: 1.
  Execution Tuning	Number of Workers	Jumlah pekerja. Parameter ini harus digunakan bersama dengan parameter Memory per worker, unit MB. Nilai parameter ini harus bilangan bulat positif. Nilai valid: [1,9999].
  	Memory per worker, unit MB	Ukuran memori setiap pekerja. Nilai valid: 1024 hingga 64 × 1024. Unit: MB.

Mengonfigurasi komponen dengan pengkodean

from pyalink.alink import *

def main(sources, sinks, parameter):
    model = sources[0]
    batchData = sources[1]

    predictor = LassoRegPredictBatchOp()\
        .setPredictionCol("pred")
    result = predictor.linkFrom(model, batchData)
    result.link(sinks[0])
    BatchOperator.execute()