:Model dan Algoritma

DNNClassifier

Pengenalan

Deep Neural Network Classifier (DNNClassifier) adalah API tingkat lanjut yang disediakan oleh TensorFlow untuk membangun model jaringan saraf dalam (DNN) guna melakukan prediksi klasifikasi biner atau multi-kelas. API ini menggunakan jaringan terhubung penuh multi-lapis untuk menangkap hubungan non-linear dalam data serta melatih dan mengoptimalkan bobot dan bias untuk meminimalkan loss antara output model dan kategori aktual.

Berikut adalah manfaat DNNClassifier:

• Kemudahan penggunaan: DNNClassifier menyederhanakan pembuatan model pembelajaran mendalam sebagai API tingkat lanjut.

• Modularitas: DNNClassifier dapat dikonfigurasi secara fleksibel, seperti jumlah dan ukuran lapisan tersembunyi.

• Pelatihan paralel: DNNClassifier memungkinkan Anda menggunakan CPU multi-core atau GPU untuk mempercepat pelatihan.

• Fitur input ganda: DNNClassifier mendukung kombinasi fitur numerik dan kategorikal.

Parameter

Contoh

### Pelatihan
SELECT * FROM iris.train TO TRAIN DNNClassifier WITH
  model.n_classes = 3,
  train.epoch = 10
COLUMN sepal_length, sepal_width, petal_length, petal_width
LABEL class
INTO sqlflow_models.my_dnn_model;

## Prediksi
SELECT * FROM iris.test
TO PREDICT iris.predict.class
USING sqlflow_models.my_dnn_model;

XGBoost gbtree

Pengenalan

Extreme Gradient Boosting (XGBoost) adalah algoritma pohon boosting gradien yang efisien dan banyak digunakan untuk klasifikasi dan regresi. Model XGBoost gbtree menggunakan pohon keputusan sebagai pembelajar dasar.

Algoritma ini memiliki karakteristik berikut:

• Kinerja tinggi: Dalam berbagai tugas klasifikasi, BoostedTreesClassifier dari XGBoost membantu mencapai akurasi lebih tinggi dibandingkan metode tradisional.

• Adaptabilitas: XGBoost dapat mengevaluasi pentingnya fitur dan beradaptasi dengan distribusi data yang berbeda.

• Interpretasi: XGBoost menganalisis pentingnya fitur dan memungkinkan Anda memahami bagaimana model membuat keputusan.

• Pencegahan overfitting: Boosted Trees menggunakan teknik regularisasi untuk mencegah overfitting ketika pohon dilintasi.

• Kemampuan menangani nilai yang hilang: Nilai yang hilang dalam sampel ditangani dengan tepat untuk menghindari masalah pra-pemrosesan.

• Pelatihan paralel dan terdistribusi: Model dapat dilatih secara efisien pada dataset besar.

Contoh

## Digunakan untuk klasifikasi biner
SELECT * FROM train_table
TO TRAIN xgboost.gbtree
WITH objective="binary:logistic", validation.select="SELECT * FROM val_table"
LABEL class
INTO my_xgb_classification_model;

## Digunakan untuk klasifikasi multi-kelas
SELECT * FROM train_table	
TO TRAIN xgboost.gbtree
WITH objective="multi:softmax", num_class=3, validation.select="SELECT * FROM val_table"
LABEL class
INTO my_xgb_classification_model;

## Digunakan untuk tugas regresi
SELECT * FROM train_table
TO TRAIN xgboost.gbtree
WITH objective="reg:squarederror", validation.select="SELECT * FROM val_table"
LABEL target
INTO my_xgb_regression_model;

GCN

Pengenalan

Graph Convolutional Network (GCN) adalah model pembelajaran mendalam yang dirancang khusus untuk memproses data berstruktur graf dengan menerapkan konvolusi di atas graf. GCN dapat menangkap hubungan kompleks antara node dan fitur struktural dalam graf. Kemampuan ini memungkinkan GCN untuk menganalisis data dengan struktur dan hubungan yang kompleks, seperti data dalam jaringan sosial, sistem rekomendasi, dan jaringan biologis. GCN menggunakan konvolusi graf dalam jaringan saraf konvolusional (CNN) dan memperbarui representasi setiap node dengan mengumpulkan informasi fitur dari node tetangga.

Skenario

• Analisis jaringan sosial: GCN dapat digunakan untuk tugas seperti rekomendasi pengguna, prediksi hubungan, dan deteksi komunitas dalam jaringan sosial.

• Klasifikasi node: GCN dapat mengklasifikasikan node atau entitas dalam graf pengetahuan atau struktur serupa dan memprediksi kategori mana yang dimiliki oleh node tertentu.

• Segmentasi gambar: GCN dapat meningkatkan kinerja segmentasi gambar dan pengenalan objek dalam gambar yang terdiri dari piksel.

DNNRegressor

Pengenalan

DNNRegressor adalah API tingkat lanjut yang disediakan oleh TensorFlow untuk tugas regresi dalam pembelajaran mendalam. DNNRegressor termasuk dalam modul TensorFlow Estimator dan dapat digunakan untuk memproses data terstruktur seperti data dalam tabel atau format CSV. DNNRegressor juga dapat mempelajari hubungan data non-linear yang kompleks untuk memprediksi output nilai kontinu seperti harga atau probabilitas.

Parameter

Contoh

## Pelatihan
SELECT f9, target FROM housing.train
TO TRAIN DNNRegressor WITH model.hidden_units = [10, 20]
COLUMN EMBEDDING(CATEGORY_ID(f9, 1000), 2, "sum")
LABEL target
INTO housing.dnn_model;

## Prediksi
SELECT f9, target FROM housing.test
TO PREDICT housing.predict.class USING housing.dnn_model;

RNNBasedTimeSeriesModel

Pengenalan

RNNBasedTimeSeriesModel, Recurrent Neural Network (RNN), adalah model prediksi berbasis deret waktu memori jangka pendek dan panjang (LSTM). Model ini memprediksi nilai masa depan menggunakan nilai masa lalu sebagai fitur. RNN adalah jaringan saraf yang dapat digunakan untuk memproses data sekuensial. Pada setiap langkah waktu, RNN tidak hanya menerima data untuk titik waktu saat ini tetapi juga mempertimbangkan data status untuk titik waktu sebelumnya. RNN cocok untuk memproses data deret waktu seperti harga saham, pembacaan suhu, dan bahasa alami.

Berikut adalah manfaat RNN:

• Kemampuan memori: RNN dapat menyimpan informasi input sebelumnya, memungkinkannya menangkap dependensi jangka panjang dalam deret waktu.

• Panjang input dinamis: RNN dapat menangani urutan input dengan panjang apa pun, yang penting untuk data deret waktu.

• Pemetaan non-linear: RNN dapat membangun hubungan non-linear antara data input dan output, memungkinkannya menyelesaikan tugas prediksi kompleks.

• Generasi sekuens: RNN dapat menghasilkan data deret waktu, seperti musik dan informasi teks.

Parameter

Contoh

## Pelatihan
SELECT sepal_length, sepal_width, petal_length, concat(petal_width,',',class) as class 
FROM iris.train 
TO TRAIN sqlflow_models.RNNBasedTimeSeriesModel WITH
    model.n_in=3,
    model.stack_units = [10, 10],
    model.n_out=2,
    model.model_type="lstm",
    validation.metrics= "MeanAbsoluteError,MeanSquaredError"
LABEL class
INTO sqlflow_models.my_dnn_regts_model_2;

## Prediksi
SELECT sepal_length, sepal_width, petal_length, concat(petal_width,',',class) as class 
FROM iris.test 
TO PREDICT iris.predict_ts_2.class 
USING sqlflow_models.my_dnn_regts_model_2;

DeepEmbeddingClusterModel

Pengenalan

DeepEmbeddingClusterModel adalah model yang menggabungkan metode pembelajaran mendalam dan pengelompokan. Model ini digunakan untuk mempelajari representasi embedding dimensi rendah dari data dan melakukan pengelompokan dalam ruang embedding.

Berikut adalah manfaat DeepEmbeddingClusterModel:

• Pembelajaran mendalam: DeepEmbeddingClusterModel menggunakan jaringan saraf dalam untuk ekstraksi fitur, mempelajari representasi data yang berguna, dan menangkap hubungan non-linear yang kompleks.

• Representasi embedded: DeepEmbeddingClusterModel memproyeksikan data dimensi tinggi ke dalam ruang embedding dimensi rendah untuk menyederhanakan pengelompokan dan meningkatkan kinerja.

• Kemampuan pengelompokan: DeepEmbeddingClusterModel melakukan pengelompokan langsung dalam ruang embedding untuk mengurangi jarak antara titik data dari jenis yang sama.

• Kemampuan generalisasi: DeepEmbeddingClusterModel dapat memproses data yang bising dan kompleks karena keuntungan pembelajaran mendalam.

• Skalabilitas: DeepEmbeddingClusterModel dapat memproses dataset besar dan secara efektif mengiterasi serta memperbarui data berdasarkan pembelajaran mendalam.

Parameter

Contoh

## Pelatihan
SELECT (sepal_length - 4.4) / 3.5 as sepal_length, (sepal_width - 2.0) / 2.2 as sepal_width, (petal_length - 1) / 5.9 as petal_length, (petal_width - 0.1) / 2.4 as petal_width
FROM iris.train
TO TRAIN sqlflow_models.DeepEmbeddingClusterModel
WITH
  model.pretrain_dims = [10,10,3],
  model.n_clusters = 3,
  model.pretrain_epochs=5,
 train.batch_size=10,
  train.verbose=1
INTO sqlflow_models.my_clustering_model;

## Prediksi
SELECT (sepal_length - 4.4) / 3.5 as sepal_length, (sepal_width - 2.0) / 2.2 as sepal_width, (petal_length - 1) / 5.9 as petal_length, (petal_width - 0.1) / 2.4 as petal_width
FROM iris.test
TO PREDICT iris.predict.class
USING sqlflow_models.my_clustering_model;