Platform For AI：Prediksi Regresi Ridge

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 Regularisasi Tikhonov

Regularisasi Tikhonov adalah metode regresi estimasi bias yang dirancang khusus untuk analisis data kolineritas. Pada dasarnya, ini merupakan versi ditingkatkan dari metode kuadrat terkecil. Dengan mengorbankan ketidakbiasan metode kuadrat terkecil, regularisasi Tikhonov lebih realistis dan andal dalam memperoleh koefisien regresi serta lebih sesuai untuk data kondisi buruk dibandingkan metode kuadrat terkecil. Namun, regularisasi Tikhonov juga menyebabkan hilangnya sebagian informasi dan penurunan akurasi.

Konfigurasikan komponen di konsol PAI

• Port Input

  Port input (kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
  Model input prediksi	Tidak ada	Pelatihan Regresi Ridge	Ya
  Data input prediksi	Tidak ada	Baca Tabel Rekayasa Fitur Persiapkan dan pra-pemrosesan data	Ya

• Parameter Komponen

  Tab	Parameter	Deskripsi
  Field Setting	reservedCols	Kolom yang akan disimpan oleh algoritma.
  	vectorCol	Nama kolom vektor.
  Parameter Setting	predictionCol	Nama kolom prediksi.
  	numThreads	Jumlah utas komponen. Nilai default: 1.
  Execution Tuning	Number of Workers	Jumlah pekerja. Parameter ini harus digunakan bersama dengan parameter Memory per worker, unit MB. Nilai parameter ini harus bilangan bulat positif. Nilai valid: [1,9999].
  	Memory per worker, unit MB	Ukuran memori setiap pekerja. Nilai valid: 1024 hingga 64 × 1024. Unit: MB.

Konfigurasikan komponen dengan pengkodean

from pyalink.alink import *

def main(sources, sinks, parameter):
    model = sources[0]
    batchData = sources[1]

    predictor = RidgeRegPredictBatchOp()\
        .setPredictionCol("pred")
    result = predictor.linkFrom(model, batchData)
    result.link(sinks[0])
    BatchOperator.execute()