Linear SVM - Platform For AI

Support Vector Machine (SVM) adalah model pembelajaran mesin yang dikembangkan berdasarkan teori pembelajaran statistik. Model ini meminimalkan risiko dan meningkatkan kemampuan generalisasi pembelajaran mesin sehingga risiko empiris dan interval kepercayaan diminimalkan. Topik ini menjelaskan cara mengonfigurasi komponen Linear SVM serta memberikan contoh penggunaannya.

Informasi latar belakang

Komponen Linear SVM tidak diimplementasikan menggunakan fungsi kernel. Untuk informasi lebih lanjut tentang implementasi komponen ini, lihat bagian "Metode Wilayah Kepercayaan untuk L2-SVM" dalam Trust Region Newton Method for Large-Scale Logistic Regression.

Batasan

Komponen Linear SVM hanya dapat digunakan dalam skenario klasifikasi biner.

Konfigurasi komponen

Anda dapat mengonfigurasi komponen Linear SVM dengan salah satu metode berikut:

Metode 1: Konfigurasikan komponen di Machine Learning Designer

Port Input
Komponen Linear SVM hanya mendukung satu port input yang harus terhubung ke komponen Read Table.

Parameter Komponen

Tab	Parameter	Diperlukan	Deskripsi
Fields Setting	Feature Columns	Ya	Kolom input yang dipilih berdasarkan karakteristik tabel input. Data yang terkandung dalam kolom-kolom tersebut dapat berupa tipe BIGINT atau DOUBLE.
Fields Setting	Label Column	Ya	Kolom label yang dipilih berdasarkan karakteristik tabel input. Data yang terkandung dalam kolom tersebut dapat berupa tipe BIGINT, DOUBLE, atau STRING.
Parameters Setting	Positive Sample Label	Tidak	Nilai referensi objektif. Nilai acak akan dipilih jika Anda tidak menentukan parameter ini. Jika perbedaan antara contoh positif dan negatif besar, kami sarankan Anda menentukan parameter ini.
	Positive Penalty Factor	Tidak	Bobot contoh positif. Nilai valid: (0,+∞). Nilai default: 1.0.
	Negative Penalty Factor	Tidak	Bobot contoh negatif. Nilai valid: (0,+∞). Nilai default: 1.0.
	Convergence Coefficient	Tidak	Deviasi konvergensi. Nilai valid: (0,1). Nilai default: 0.001.
Tuning	Cores	Tidak	Jumlah inti yang digunakan dalam komputasi. Sistem secara otomatis mengalokasikan inti jika parameter ini tidak ditentukan.
Tuning	Memory Size per Core	Tidak	Ukuran memori setiap inti. Sistem secara otomatis mengalokasikan memori ke setiap inti jika parameter ini tidak ditentukan. Unit: MB.

Port Output
Komponen Linear SVM mengeluarkan model biner dengan format yang sama seperti model batch ke komponen prediksi hilir melalui port output.

Metode 2: Jalankan perintah Platform Pembelajaran Mesin untuk AI

Konfigurasikan parameter komponen menggunakan perintah Platform Pembelajaran Mesin untuk AI. Anda dapat menggunakan komponen SQL Script untuk menjalankan perintah tersebut. Untuk informasi lebih lanjut, lihat SQL Script.

PAI -name LinearSVM -project algo_public
    -DinputTableName="bank_data"
    -DmodelName="xlab_m_LinearSVM_6143"
    -DfeatureColNames="pdays,emp_var_rate,cons_conf_idx"
    -DlabelColName="y"
    -DpositiveLabel="0"
    -DpositiveCost="1.0"
    -DnegativeCost="1.0"
    -Depsilon="0.001";

Tabel berikut menjelaskan parameter yang digunakan dalam perintah Platform Pembelajaran Mesin untuk AI.

Parameter	Diperlukan	Deskripsi	Nilai default
inputTableName	Ya	Nama tabel input.	Tidak ada
inputTablepartitions	Tidak	Partisi yang dipilih dari tabel input untuk pelatihan. Format berikut didukung: Partition_name=value name1=value1/name2=value2: partisi multi-level Catatan Jika Anda menentukan beberapa partisi, pisahkan mereka dengan koma (,).	Semua partisi
modelName	Ya	Nama model output.	Tidak ada
featureColNames	Ya	Kolom fitur yang dipilih dari tabel input untuk pelatihan.	Tidak ada
labelColName	Ya	Nama kolom label dalam tabel input.	Tidak ada
positiveLabel	Tidak	Nilai contoh positif.	Nilai acak yang dipilih dari nilai-nilai label
positiveCost	Tidak	Bobot contoh positif. Ini juga merupakan faktor penalti positif. Nilai valid: (0,+∞).	1.0
negativeCost	Tidak	Bobot contoh negatif. Ini juga merupakan faktor penalti negatif. Nilai valid: (0,+∞).	1.0
epsilon	Tidak	Koefisien konvergensi. Nilai valid: (0,1).	0.001
enableSparse	Tidak	Menentukan apakah data input bersifat jarang. Nilai valid: true dan false.	false
itemDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan pasangan key-value jika data dalam tabel input bersifat jarang.	Koma (,)
kvDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan keys dan values jika data dalam tabel input bersifat jarang.	Titik dua (:)
coreNum	Tidak	Jumlah inti yang digunakan dalam komputasi. Nilai parameter ini harus berupa bilangan bulat positif.	Dialokasikan secara otomatis
memSizePerCore	Tidak	Ukuran memori setiap inti. Nilai valid: 1 hingga 65536. Unit: MB.	Dialokasikan secara otomatis

Contoh

Gunakan data latih berikut sebagai input.

id	y	f0	f1	f2	f3	f4	f5	f6	f7
1	-1	-0.294118	0.487437	0.180328	-0.292929	-1	0.00149028	-0.53117	-0.0333333
2	+1	-0.882353	-0.145729	0.0819672	-0.414141	-1	-0.207153	-0.766866	-0.666667
3	-1	-0.0588235	0.839196	0.0491803	-1	-1	-0.305514	-0.492741	-0.633333
4	+1	-0.882353	-0.105528	0.0819672	-0.535354	-0.777778	-0.162444	-0.923997	-1
5	-1	-1	0.376884	-0.344262	-0.292929	-0.602837	0.28465	0.887276	-0.6
6	+1	-0.411765	0.165829	0.213115	-1	-1	-0.23696	-0.894962	-0.7
7	-1	-0.647059	-0.21608	-0.180328	-0.353535	-0.791962	-0.0760059	-0.854825	-0.833333
8	+1	0.176471	0.155779	-1	-1	-1	0.052161	-0.952178	-0.733333
9	-1	-0.764706	0.979899	0.147541	-0.0909091	0.283688	-0.0909091	-0.931682	0.0666667
10	-1	-0.0588235	0.256281	0.57377	-1	-1	-1	-0.868488	0.1

Gunakan data uji berikut sebagai input.

id	y	f0	f1	f2	f3	f4	f5	f6	f7
1	+1	-0.882353	0.0854271	0.442623	-0.616162	-1	-0.19225	-0.725021	-0.9
2	+1	-0.294118	-0.0351759	-1	-1	-1	-0.293592	-0.904355	-0.766667
3	+1	-0.882353	0.246231	0.213115	-0.272727	-1	-0.171386	-0.981213	-0.7
4	-1	-0.176471	0.507538	0.278689	-0.414141	-0.702128	0.0491804	-0.475662	0.1
5	-1	-0.529412	0.839196	-1	-1	-1	-0.153502	-0.885568	-0.5
6	+1	-0.882353	0.246231	-0.0163934	-0.353535	-1	0.0670641	-0.627669	-1
7	-1	-0.882353	0.819095	0.278689	-0.151515	-0.307329	0.19225	0.00768574	-0.966667
8	+1	-0.882353	-0.0753769	0.0163934	-0.494949	-0.903073	-0.418778	-0.654996	-0.866667
9	+1	-1	0.527638	0.344262	-0.212121	-0.356974	0.23696	-0.836038	-0.8
10	+1	-0.882353	0.115578	0.0163934	-0.737374	-0.56974	-0.28465	-0.948762	-0.933333

Buat pipeline seperti yang ditunjukkan pada gambar berikut. Untuk informasi lebih lanjut, lihat Pemodelan Algoritma.
Konfigurasikan parameter yang tercantum dalam tabel berikut untuk komponen Linear SVM. Pertahankan nilai default dari parameter yang tidak tercantum dalam tabel.
Tab
Parameter
Deskripsi
Fields Setting
Feature Columns
Pilih kolom f0, f1, f2, f3, f4, f5, f6, dan f7.
Label Column
Pilih kolom y.
Jalankan pipeline dan lihat hasil prediksi.