Prediksi - Platform For AI

Topik ini menjelaskan Komponen Prediksi yang disediakan oleh Machine Learning Designer. Jika model Anda dilatih menggunakan komponen penambangan data tradisional tanpa komponen prediksi berpasangan dan Anda ingin menggunakannya untuk menghasilkan prediksi, Anda dapat memilih Komponen Prediksi dalam sebagian besar kasus. Komponen ini menggunakan model yang telah dilatih dan data prediksi sebagai input, lalu menghasilkan hasil prediksi.

Konfigurasikan komponen

Anda dapat mengonfigurasi komponen dengan salah satu metode berikut:

Metode 1: Konfigurasikan komponen di Machine Learning Designer

Konfigurasikan komponen pada tab konfigurasi pipeline di Machine Learning Designer melalui konsol Platform for AI.

Tab	Parameter	Deskripsi
Fields Setting	Feature Columns	Kolom fitur yang dipilih dari tabel input untuk prediksi. Secara default, semua kolom dalam tabel input dipilih.
	Reserved Columns	Kolom yang ingin Anda cadangkan di tabel output. Kami sarankan Anda menambahkan kolom label untuk memudahkan evaluasi.
	Output Result Column	Kolom hasil di tabel output.
	Output Score Column	Kolom skor di tabel output.
	Output Detail Column	Kolom detail di tabel output.
	Sparse Matrix	Menentukan apakah data input bersifat sparse. Data sparse disajikan menggunakan pasangan key-value.
	KV Delimiter	Pemisah yang digunakan untuk memisahkan keys dan values. Secara default, tanda titik dua (:) digunakan.
	KV Pair Delimiter	Pemisah yang digunakan untuk memisahkan pasangan key-value. Secara default, tanda koma (,) digunakan.
Tuning	Cores	Jumlah core. Parameter ini harus digunakan bersama dengan parameter Memory Size per Core. Nilai parameter ini harus berupa bilangan bulat positif.
Tuning	Memory Size per Core	Ukuran memori setiap core. Parameter ini harus digunakan bersama dengan parameter Cores. Satuan: MB.

Metode 2: Jalankan perintah Platform for AI

Konfigurasikan parameter komponen menggunakan perintah Platform for AI. Anda dapat menggunakan Komponen SQL Script untuk menjalankan perintah tersebut. Untuk informasi lebih lanjut, lihat SQL Script. Tabel berikut menjelaskan parameter yang digunakan dalam perintah.

pai -name prediction
    -DmodelName=nb_model
    -DinputTableName=wpbc
    -DoutputTableName=wpbc_pred
    -DappendColNames=label;

Parameter	Diperlukan	Deskripsi	Nilai default
inputTableName	Ya	Nama tabel input.	Tidak ada
featureColNames	Tidak	Kolom fitur yang dipilih dari tabel input untuk prediksi. Pisahkan beberapa kolom dengan tanda koma (,).	Semua kolom
appendColNames	Tidak	Kolom prediksi yang dipilih dari tabel input dan ditambahkan ke tabel output.	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 tanda koma (,).	Tabel lengkap
outputTablePartition	Tidak	Partisi yang hasilnya termasuk dalam tabel output.	Tidak ada
resultColName	Tidak	Kolom di tabel output yang berisi hasil prediksi dengan probabilitas tertinggi di antara semua kemungkinan hasil.	prediction_result
scoreColName	Tidak	Kolom di tabel output yang berisi probabilitas tertinggi dari hasil prediksi.	prediction_score
detailColName	Tidak	Kolom detail di tabel output yang berisi semua kemungkinan hasil dan probabilitasnya.	prediction_detail
enableSparse	Tidak	Menentukan apakah data input bersifat sparse. Nilai valid: true and false.	false
itemDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan pasangan key-value sparse.	,
kvDelimiter	Tidak	Pemisah yang digunakan untuk memisahkan keys dan values sparse.	:
modelName	Ya	Nama model klastering input.	Tidak ada
outputTableName	Ya	Nama tabel output.	Tidak ada
lifecycle	Tidak	Lifecycle tabel output.	Tidak ada
coreNum	Tidak	Jumlah core.	Dialokasikan secara otomatis
memSizePerCore	Tidak	Ukuran memori setiap core. Satuan: MB.	Dialokasikan secara otomatis

Contoh

Jalankan pernyataan SQL berikut untuk menghasilkan data uji:

create table pai_rf_test_input as
select * from
(
select 1 as f0,2 as f1, "good" as class
union all
select 1 as f0,3 as f1, "good" as class
union all
select 1 as f0,4 as f1, "bad" as class
union all
select 0 as f0,3 as f1, "good" as class
union all
select 0 as f0,4 as f1, "bad" as class
)tmp;

Jalankan perintah berikut untuk membangun model. Algoritma random forest digunakan dalam contoh ini.

PAI -name randomforests
   -project algo_public
   -DinputTableName="pai_rf_test_input"
   -DmodelName="pai_rf_test_model"
   -DforceCategorical="f1"
   -DlabelColName="class"
   -DfeatureColNames="f0,f1"
   -DmaxRecordSize="100000"
   -DminNumPer="0"
   -DminNumObj="2"
   -DtreeNum="3";

Jalankan perintah berikut untuk mengirimkan parameter yang dikonfigurasi untuk Komponen Prediksi:

PAI -name prediction
    -project algo_public
    -DinputTableName=pai_rf_test_input
    -DmodelName=pai_rf_test_model
    -DresultColName=prediction_result
    -DscoreColName=prediction_score
    -DdetailColName=prediction_detail
    -DoutputTableName=pai_temp_2283_76333_1

Lihat tabel hasil output pai_temp_2283_76333_1, seperti yang ditunjukkan pada gambar berikut.
- prediction_result: kolom yang berisi hasil prediksi dengan probabilitas tertinggi di antara semua kemungkinan hasil.
- prediction_score: kolom yang berisi probabilitas hasil prediksi.
  Dalam contoh ini, hasil prediksi bisa baik atau buruk, tergantung pada probabilitas mana yang lebih tinggi. Kolom prediction_score berisi probabilitas tertinggi.
- prediction_detail: kolom yang berisi semua kemungkinan hasil dan probabilitasnya.