Pelatihan Regresi Lasso - Platform For AI

Algoritma regresi Least Absolute Shrinkage and Selection Operator (LASSO) dapat mengimplementasikan estimasi kompresi. Komponen Pelatihan Regresi Lasso dikembangkan berdasarkan algoritma LASSO. Komponen ini mendukung data jarang dan padat serta memungkinkan penggunaan sampel data tertimbang untuk pelatihan. Topik ini menjelaskan cara mengonfigurasi komponen Pelatihan 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. Algoritma ini dapat mengecilkan beberapa koefisien regresi dan menetapkan koefisien regresi tertentu menjadi nol. Jika suatu koefisien diperkecil, jumlah nilai absolut dari koefisien tersebut akan kurang dari nilai tetap. Dengan cara ini, LASSO mempertahankan fitur bermanfaat dari penyusutan subset dan menerapkan estimasi bias pada data multikolinearitas.

Konfigurasikan komponen di konsol PAI

Port Input

Port input (kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
data	Tidak ada	Baca Tabel Feature engineering Siapkan dan pra-pemrosesan data	Ya
model	Model LASSO (untuk pelatihan tambahan)	Baca Tabel (untuk membaca data model) Pelatihan Regresi Lasso	Tidak

Parameter Komponen

Tab	Parameter	Deskripsi
Field Setting	labelCol	Nama kolom label dalam tabel input.
	featureCols	Jika Anda telah menetapkan parameter vectorCol, parameter ini tidak dapat ditetapkan. Kolom fitur yang digunakan untuk pelatihan. Catatan Parameter featureCols dan vectorCol saling eksklusif. Anda hanya dapat menggunakan salah satu dari mereka untuk menggambarkan fitur input algoritma.
	vectorCol	Jika Anda telah menetapkan parameter featureCols, parameter ini tidak dapat ditetapkan. Nama kolom vektor. Catatan Parameter featureCols dan vectorCol saling eksklusif. Anda hanya dapat menggunakan salah satu dari mereka untuk menggambarkan fitur input algoritma.
	weightCol	Nama kolom bobot.
Parameter Setting	lambda	Koefisien regularisasi bertipe DOUBLE.
	epsilon	Nilai yang Anda harapkan untuk diperoleh dari hasil pelatihan sebelum iterasi berhenti. Nilai default: 1.0E-6.
	LearningRate	Kecepatan pembaruan parameter selama pelatihan model. Nilai default: 0.1.
	maxIter	Jumlah maksimum iterasi. Nilai default: 100.
	optimMethod	Metode optimasi yang digunakan untuk meningkatkan pemecahan masalah. Nilai valid: LBFGS GD Newton SGD OWLQN
Execution Tuning	Number of Workers	Jumlah inti. Parameter ini harus digunakan bersama dengan parameter Memory per worker, unit MB. Nilai parameter ini harus bilangan bulat positif. Nilai valid: [1,9999].
Execution Tuning	Memory per worker, unit MB	Ukuran memori setiap pekerja. Nilai valid: 1024 hingga 65536. Unit: MB.

Port Output
Output Port
Tipe data
Komponen hilir
model
Model regresi
Prediksi Regresi Lasso
informasi model
Tidak ada
Tidak ada
pentingnya fitur
Tidak ada
Tidak ada
bobot model linier
Tidak ada
Tidak ada

Konfigurasikan komponen dengan coding

Anda dapat menyalin kode berikut ke editor kode komponen PyAlink Script. Ini memungkinkan komponen PyAlink Script berfungsi seperti komponen Pelatihan Regresi Lasso.

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()

Output Port	Tipe data	Komponen hilir
model	Model regresi	Prediksi Regresi Lasso
informasi model	Tidak ada	Tidak ada
pentingnya fitur	Tidak ada	Tidak ada
bobot model linier	Tidak ada	Tidak ada