Platform For AI:Pelatihan regresi Lasso

Batasan

Mesin komputasi yang didukung adalah MaxCompute, Flink, atau DLC.

Prinsip algoritma

Algoritma regresi Lasso membangun model yang lebih sederhana dengan menerapkan fungsi penalty. Fungsi ini mengecilkan beberapa koefisien regresi dengan membatasi jumlah nilai absolutnya agar tidak melebihi nilai tetap tertentu, serta menetapkan koefisien regresi lainnya menjadi nol. Pendekatan ini mempertahankan manfaat subset shrinkage dan memberikan estimasi bias untuk menangani data multikolinear.

Konfigurasi visual parameter widget

• Port input

  Input port (dari kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Wajib
  Data	None	Read Table Feature Engineering Data Preprocessing	Yes
  Model	Lasso model (untuk pelatihan inkremental)	Read Table (tabel data model) Lasso Regression Training	No

• Parameter komponen

  Tab	Parameter	Deskripsi
  Field Settings	Target column name	Nama kolom target dalam tabel input.
  	Feature column array	Parameter ini tidak dapat dikonfigurasi jika Anda telah menentukan Vector column name. Nama kolom fitur yang digunakan untuk pelatihan. Catatan Feature column array dan Vector column name saling eksklusif. Anda hanya dapat menggunakan salah satunya untuk menentukan fitur input bagi algoritma.
  	Vector column name	Parameter ini tidak dapat dikonfigurasi jika Anda telah menentukan Feature column array. Nama kolom vektor. Catatan Feature column array dan Vector column name saling eksklusif. Anda hanya dapat menggunakan salah satunya untuk menentukan fitur input bagi algoritma.
  	Weight column name	Nama kolom bobot.
  Parameter Settings	Penalty factor: lambda	Koefisien dari suku Regularisasi. Tipe datanya adalah DOUBLE.
  	Convergence threshold	Ambang batas untuk menentukan apakah metode iteratif telah konvergen. Nilai default: 1.0E-6.
  	Learning rate	Mengontrol kecepatan pembaruan parameter selama pelatihan model. Nilai default: 0.1.
  	Maximum number of iterations	Jumlah maksimum iterasi. Nilai default: 100.
  	Optimization method	Metode optimasi yang digunakan untuk menyelesaikan permasalahan. Nilai yang valid: LBFGS GD Newton SGD OWLQN
  Execution Tuning	Number of workers	Digunakan bersama parameter Memory per worker. Parameter ini harus berupa bilangan bulat positif dari 1 hingga 9999.
  	Memory per worker (MB)	Nilainya berkisar antara 1024 MB hingga 64 × 1024 MB.

• Port output

  Output port (dari kiri ke kanan)	Tipe data	Komponen hilir
  Model	Regression model	Lasso Regression Prediction
  Model information	None	None
  Feature importance	None	None
  Linear model weight coefficients	None	None

Konfigurasi komponen menggunakan kode

from pyalink.alink import *

def main(sources, sinks, parameter):
    batchData = sources[0]
    ridge = LassoRegTrainBatchOp()\
        .setLambda(0.1)\
        .setFeatureCols(["f0","f1"])\
        .setLabelCol("label")
    model = batchData.link(ridge)
    model.link(sinks[0])
    BatchOperator.execute()