gunakan komponen Ridge Regression Training untuk melatih model - Platform For AI

Regularisasi Tikhonov adalah metode regularisasi yang paling umum digunakan untuk menangani masalah yang tidak terstruktur dengan baik. Komponen Ridge Regression Training dikembangkan berdasarkan regularisasi Tikhonov. Komponen ini mendukung data jarang dan padat serta memungkinkan penggunaan sampel data tertimbang untuk pelatihan. Topik ini menjelaskan cara mengonfigurasi komponen Ridge Regression Training.

Batasan

Komponen Ridge Regression Training 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 metode kuadrat terkecil yang ditingkatkan. Dengan mengorbankan ketidakbiasan metode kuadrat terkecil, regularisasi Tikhonov lebih realistis dan andal dalam mendapatkan 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 (dari kiri ke kanan)
Tipe data
Komponen hulu yang direkomendasikan
Diperlukan
data
N/A
Baca Tabel
Feature engineering
Siapkan dan pra-proses data
Ya
model
N/A
Baca Tabel
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
Port output (dari kiri ke kanan)
Tipe data
Komponen hilir
model
Model regresi
Prediksi Regresi Ridge
informasi model
N/A
N/A
Pentingnya fitur
N/A
N/A
bobot model linier
N/A
N/A

Konfigurasikan komponen menggunakan kode

Anda dapat menyalin kode berikut ke editor kode komponen PyAlink Script. Ini memungkinkan komponen PyAlink Script melayani tujuan yang sama seperti komponen Ridge Regression Training.

from pyalink.alink import *

def main(sources, sinks, parameter):
    batchData = sources[0]
    ridge = RidgeRegTrainBatchOp()\
        .setLambda(0.1)\
        .setFeatureCols(["f0","f1"])\
        .setLabelCol("label")
    model = batchData.link(ridge)
    model.link(sinks[0])
    BatchOperator.execute()

Port input (dari kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
data	N/A	Baca Tabel Feature engineering Siapkan dan pra-proses data	Ya
model	N/A	Baca Tabel	Tidak

Port output (dari kiri ke kanan)	Tipe data	Komponen hilir
model	Model regresi	Prediksi Regresi Ridge
informasi model	N/A	N/A
Pentingnya fitur	N/A	N/A
bobot model linier	N/A	N/A