XGBoost Train コンポーネントのモデルを使用してオフライン推論を実行します。テーブル形式または LibSVM 形式の入力による分類と回帰をサポートします。
制限事項
対応コンピューティングエンジン：MaxCompute、Flink、DLC。
データ形式
対応形式：テーブルと LibSVM。
テーブル形式の例：
f0
f1
ラベル
0.1
1
0
0.9
2
1
LibSVM 形式の例：
サンプルデータ
2:1 9:1 10:1 20:1 29:1 33:1 35:1 39:1 40:1 52:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 116:1 123:1
0:1 9:1 18:1 20:1 23:1 33:1 35:1 38:1 41:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 105:1 115:1 121:1
2:1 8:1 18:1 20:1 29:1 33:1 35:1 39:1 41:1 52:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 116:1 123:1
2:1 9:1 13:1 21:1 28:1 33:1 36:1 38:1 40:1 53:1 57:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 97:1 105:1 113:1 119:1
0:1 9:1 18:1 20:1 22:1 33:1 35:1 38:1 44:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 104:1 115:1 121:1
0:1 8:1 18:1 20:1 23:1 33:1 35:1 38:1 41:1 52:1 55:1 64:1 68:1 76:1 85:1 87:1 91:1 94:1 101:1 105:1 116:1 121:1
GUI設定
Designer キャンバス上で XGBoost Predict コンポーネントを設定します。
パラメーター | タイプ | 説明 | |
[フィールド設定] | [保持する列] | 文字列配列 | 出力で保持する列。 |
[特徴量列] | 文字列配列 | テーブル形式のデータの特徴量列。 [ベクトルフィールド名] (LibSVM 形式) とは相互排他です。 | |
[ベクトルフィールド名] | String | LibSVM 形式のデータを含む列。 [特徴量列] (テーブル形式) とは相互排他です。 | |
[パラメーター設定] | [予測結果列] | String | 予測結果の出力列名。 |
[実行チューニング] | [ワーカー数] | 正の整数 | 並列処理ワーカーの数。 [ワーカーあたりのメモリ] と一緒に設定します。有効範囲：[1, 9999]。 |
[ワーカーあたりのメモリ] | 正の整数 | ワーカーごとに割り当てるメモリ (MB)。有効範囲：[1024, 64 × 1024]。 | |
操作手順
本セクションでは、ヒッグスボソン分類の例を通じて、Machine Learning Designer における XGBoost トレーニングコンポーネントの使用方法を説明します。この例のパイプラインは、プリセットテンプレートから構築されています。テンプレート「XGBoost アルゴリズムを用いたヒッグスボソンの識別」からパイプラインを作成する方法については、「プリセットテンプレートからのパイプライン作成」をご参照ください。
評価用に出力形式を変換
XGBoost トレーニングコンポーネントは、オープンソースの XGBoost ライブラリが出力する JSON オブジェクトをシリアル化した JSON 文字列を生成します。モデル予測を評価するには、この出力を評価コンポーネントが処理可能な形式に変換する必要があります。
このために、XGBoost Predict コンポーネントの後続コンポーネントとして、SQL スクリプト コンポーネントを追加します。SQL スクリプトコンポーネントは、予測出力を バイナリ分類評価 V2 コンポーネントで要求される形式に変換します。以下の SQL コードを使用します：
set odps.sql.udf.getjsonobj.new=true;
select *, CONCAT("{\"0\":", 1.0-prob, ",\"1\":", prob, "}") as detail
FROM (
select *, cast(get_json_object(pred, '$[0]') as double) as prob FROM ${t1})関連ドキュメント
[XGBoost Predict] を使用するには、[XGBoost Train] コンポーネントで学習済みのモデルが必要です。設定の詳細については、「XGBoost Train」をご参照ください。
Designer は、データ処理タスク用のアルゴリズムコンポーネントを提供します。完全なリストについては、「Designer コンポーネントの概要」をご参照ください。