Platform For AI:多クラス分類のためのロジスティック回帰

方法 1：ビジュアルモデリングでの設定

ビジュアルモデリング（旧称：Machine Learning Studio）で「多クラス分類のためのロジスティック回帰」コンポーネントを開き、以下のパラメーターを設定します。

フィールド設定タブ

パラメーター設定タブ

方法 2：PAI コマンドを使用

PAI コマンドを用いて、logisticregression_multi アルゴリズムに直接パラメーターを渡します。PAI コマンドは SQL スクリプトコンポーネント経由で実行します。詳細については、「SQL スクリプト」をご参照ください。

以下の例はコマンド構文を示しています：

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"

パラメーター

ステップ 1：トレーニングデータの作成

以下の SQL ステートメントを実行して、multi_lr_test_input テーブルを作成します：

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;

このテーブルには、4 つの DOUBLE 型の特徴列（f0～f3）と 1 つの BIGINT 型のラベル列が含まれます：

ステップ 2：モデルのトレーニング

以下の PAI コマンドを実行してモデルをトレーニングし、multi_lr_test_model として保存します：

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";

ステップ 3：予測の実行

以下の PAI コマンドを実行して予測を生成し、結果を multi_lr_test_prediction_result テーブルに書き込みます：

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";

ステップ 4：結果の確認

multi_lr_test_prediction_result テーブルをクエリして、予測結果を確認します：

出力列には以下の情報が含まれます：

• prediction_result：予測されたクラスラベルです。

• prediction_score：予測されたクラスに割り当てられた確率です。

• prediction_detail：各クラスラベルをその予測確率にマッピングした JSON オブジェクトです。各キーはクラスラベル、各値はそのクラスに対するモデルの信頼度です。たとえば、{"0": 0.999..., "1": 2.32e-07, "2": 2.32e-07} は、モデルがクラス 0 にほぼ確実な判断を下し、クラス 1 および 2 にはほぼゼロの確率を割り当てていることを示します。