Regresi Logistik untuk Klasifikasi Multikelas - Platform For AI

Algoritma regresi logistik umumnya digunakan untuk klasifikasi biner. Platform for AI (PAI) memungkinkan Anda menggunakan algoritma regresi logistik untuk klasifikasi multikelas. Komponen Regresi Logistik untuk Klasifikasi Multikelas mendukung format data jarang dan padat.

Konfigurasikan komponen

Anda dapat menggunakan salah satu metode berikut untuk mengonfigurasi komponen Regresi Logistik untuk Klasifikasi Multikelas.

Metode 1: Konfigurasikan komponen pada halaman pipeline

Anda dapat mengonfigurasi parameter komponen Regresi Logistik untuk Klasifikasi Multikelas pada halaman pipeline di Machine Learning Designer dari Platform for AI (PAI). Machine Learning Designer sebelumnya dikenal sebagai Machine Learning Studio. Tabel berikut menjelaskan parameter tersebut.

Tab	Parameter	Deskripsi
Fields Setting	Training Feature Columns	Kolom fitur yang dipilih dari sumber data untuk pelatihan. Kolom dengan tipe DOUBLE dan BIGINT didukung. Catatan Maksimum 20 juta fitur didukung.
	Target Columns	Kolom objektif dalam tabel input.
	Sparse Format	Menentukan apakah data input dalam format jarang.
Parameters Setting	Regularization Type	Nilai valid: L1, L2, dan None.
	Maximum Number of Iterations	Jumlah maksimum iterasi. Nilai default: 100.
	Regularization Coefficient	Jika parameter Tipe Regularisasi disetel ke None, parameter ini tidak valid.
	Minimum Convergence Deviance	Deviasi konvergensi minimum. Nilai default: 0,000001.

Metode 2: Gunakan perintah PAI

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

PAI -name logisticregression_multi
    -project algo_public
    -DmodelName="xlab_m_logistic_regression_6096"
    -DregularizedLevel="1"
    -DmaxIter="100"
    -DregularizedType="l1"
    -Depsilon="0.000001"
    -DlabelColName="y"
    -DfeatureColNames="pdays,emp_var_rate"
    -DgoodValue="1"
    -DinputTableName="bank_data"

Parameter	Diperlukan	Deskripsi	Nilai default
inputTableName	Ya	Nama tabel input.	Tidak tersedia
featureColNames	Tidak	Kolom fitur yang dipilih dari tabel input untuk pelatihan. Catatan Maksimum 20 juta fitur didukung.	Semua kolom dengan tipe data numerik
labelColName	Ya	Nama kolom label yang dipilih dari tabel input.	Tidak tersedia
inputTablePartitions	Tidak	Partisi yang dipilih dari tabel input untuk pelatihan. Tentukan parameter ini dalam salah satu format berikut: partition_name=value name1=value1/name2=value2: partisi multi-level Catatan Jika Anda menentukan beberapa partisi, pisahkan mereka dengan koma (,).	Tabel penuh
modelName	Ya	Nama model keluaran.	Tidak tersedia
regularizedType	Tidak	Tipe regularisasi. Nilai valid: l1, l2, dan None.	l1
regularizedLevel	Tidak	Koefisien regularisasi. Jika parameter regularizedType disetel ke None, parameter ini tidak valid.	1.0
maxIter	Tidak	Jumlah maksimum iterasi algoritma L-BFGS (Limited-memory BFGS).	100
epsilon	Tidak	Kesalahan konvergensi. Parameter ini menentukan kondisi untuk menghentikan algoritma L-BFGS. Jika selisih log-likelihood antara dua iterasi kurang dari nilai yang ditentukan oleh parameter ini, iterasi algoritma L-BFGS dihentikan.	1.0e-06
enableSparse	Tidak	Menentukan apakah data input dalam format jarang. Nilai valid: true dan false.	false
itemDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan pasangan key-value ketika data dalam data input dalam format jarang.	,
kvDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan keys dan values ketika data dalam tabel input dalam format jarang.	:
coreNum	Tidak	Jumlah core.	Ditentukan oleh sistem
memSizePerCore	Tidak	Ukuran memori setiap core. Satuan: MB.	Ditentukan oleh sistem

Contoh

Eksekusi pernyataan SQL berikut untuk menghasilkan data pelatihan:

drop table if exists multi_lr_test_input;
create table multi_lr_test_input
as
select
    *
from
(
    select
        cast(1 as double) as f0,
        cast(0 as double) as f1,
        cast(0 as double) as f2,
        cast(0 as double) as f3,
        cast(0 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(1 as double) as f1,
            cast(0 as double) as f2,
            cast(0 as double) as f3,
            cast(0 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(0 as double) as f1,
            cast(1 as double) as f2,
            cast(0 as double) as f3,
            cast(2 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(0 as double) as f1,
            cast(0 as double) as f2,
            cast(1 as double) as f3,
            cast(1 as bigint) as label
) a;

Tabel berikut menyediakan data pelatihan yang dihasilkan dalam tabel multi_lr_test_input.

f0	f1	f2	f3	label
1.0	0.0	0.0	0.0	0
0.0	0.0	1.0	0.0	2
0.0	0.0	0.0	1.0	1
0.0	1.0	0.0	0.0	0

Jalankan perintah PAI berikut untuk mengirimkan parameter komponen Regresi Logistik untuk Klasifikasi Multikelas:

drop offlinemodel if exists multi_lr_test_model;
PAI -name logisticregression_multi
    -project algo_public
    -DmodelName="multi_lr_test_model"
    -DitemDelimiter=","
    -DregularizedLevel="1"
    -DmaxIter="100"
    -DregularizedType="None"
    -Depsilon="0.000001"
    -DkvDelimiter=":"
    -DlabelColName="label"
    -DfeatureColNames="f0,f1,f2,f3"
    -DenableSparse="false"
    -DinputTableName="multi_lr_test_input";

Jalankan perintah PAI berikut untuk mengirimkan parameter komponen Prediksi:

drop table if exists multi_lr_test_prediction_result;
PAI -name prediction
    -project algo_public
    -DdetailColName="prediction_detail"
    -DmodelName="multi_lr_test_model"
    -DitemDelimiter=","
    -DresultColName="prediction_result"
    -Dlifecycle="28"
    -DoutputTableName="multi_lr_test_prediction_result"
    -DscoreColName="prediction_score"
    -DkvDelimiter=":"
    -DinputTableName="multi_lr_test_input"
    -DenableSparse="false"
    -DappendColNames="label";

Lihat tabel multi_lr_test_prediction_result.

label	prediction_result	prediction_score	prediction_detail
0	0	0.9999997274902165	{"0": 0.9999997274902165, "1": 2.324679066261573e-07, "2": 2.324679066261569e-07}
0	0	0.9999997274902165	{"0": 0.9999997274902165, "1": 2.324679066261573e-07, "2": 2.324679066261569e-07}
2	2	0.9999999155958832	{"0": 2.018833979850994e-07, "1": 2.324679066261573e-07, "2": 0.9999999155958832}
1	1	0.9999999155958832	{"0": 2.018833979850994e-07, "1": 0.9999999155958832, "2": 2.324679066261569e-07}