Prediction - Platform For AI: Central de Documentação do Alibaba Cloud

O componente Prediction aplica um modelo treinado a novos dados e grava os resultados em uma tabela de saída. Use este componente quando o modelo tiver sido treinado com um componente tradicional de mineração de dados sem um componente de predição correspondente.

Pré-requisitos

Antes de começar, verifique se você tem:

Um modelo treinado no Machine Learning Designer
Uma tabela de entrada com as colunas de recursos esperadas pelo modelo

Configure o componente

Método 1: Configure no Machine Learning Designer

Na tela do pipeline no console da Machine Learning Platform for AI (PAI), selecione o componente Prediction e configure os parâmetros a seguir.

Aba Fields Setting

Parâmetro	Descrição
Feature columns	Colunas de recursos selecionadas na tabela de entrada. Por padrão, todas as colunas ficam selecionadas.
Reserved columns	Colunas a serem mantidas na tabela de saída. Inclua a coluna de rótulo para facilitar a avaliação posterior.
Output result column	Coluna de saída com o principal resultado da predição.
Output score column	Coluna de saída com a probabilidade do principal resultado da predição.
Output detail column	Coluna de saída com todos os resultados possíveis e suas respectivas probabilidades.
Sparse matrix	Ative esta opção se os dados de entrada estiverem em formato esparso (pares chave-valor).
KV delimiter	Delimitador entre chaves e valores nos dados esparsos. Padrão: dois pontos (`:`).
KV pair delimiter	Delimitador entre pares chave-valor nos dados esparsos. Padrão: vírgula (`,`).

Aba Tuning

Parâmetro	Descrição
Cores	Número de núcleos. Deve ser um número inteiro positivo. Use em conjunto com Memory size per core.
Memory size per core	Memória por núcleo, em MB. Use em conjunto com Cores.

Método 2: Execute um comando PAI

Execute o seguinte comando usando o componente SQL Script:

pai -name prediction
    -DmodelName=nb_model
    -DinputTableName=wpbc
    -DoutputTableName=wpbc_pred
    -DappendColNames=label;

Parâmetros

Parâmetro	Obrigatório	Descrição	Padrão
`inputTableName`	Sim	Nome da tabela de entrada.	—
`modelName`	Sim	Nome do modelo treinado.	—
`outputTableName`	Sim	Nome da tabela de saída.	—
`featureColNames`	Não	Colunas de recursos da tabela de entrada, separadas por vírgulas.	Todas as colunas
`appendColNames`	Não	Colunas de entrada a serem anexadas à tabela de saída.	Nenhuma
`inputTablePartitions`	Não	Partições a serem lidas da tabela de entrada. Formatos suportados: `partition_name=value` para partição única, `name1=value1/name2=value2` para partições multinível. Separe múltiplas partições com vírgulas.	Tabela completa
`outputTablePartition`	Não	Partição onde os resultados serão gravados na tabela de saída.	Nenhuma
`resultColName`	Não	Coluna de saída para o principal resultado da predição.	`prediction_result`
`scoreColName`	Não	Coluna de saída para a probabilidade do principal resultado da predição.	`prediction_score`
`detailColName`	Não	Coluna de saída para todos os resultados possíveis e suas probabilidades.	`prediction_detail`
`enableSparse`	Não	Indica se os dados de entrada são esparsos. Valores válidos: `true`, `false`.	`false`
`itemDelimiter`	Não	Delimitador entre pares chave-valor esparsos.	`,`
`kvDelimiter`	Não	Delimitador entre chaves e valores esparsos.	`:`
`lifecycle`	Não	Ciclo de vida da tabela de saída.	Nenhum
`coreNum`	Não	Número de núcleos.	Alocado automaticamente
`memSizePerCore`	Não	Memória por núcleo, em MB.	Alocada automaticamente

Exemplo

Este exemplo cria um classificador de floresta aleatória e executa o Prediction nos mesmos dados.

Crie a tabela de entrada de teste:

create table pai_rf_test_input as
select * from
(
select 1 as f0,2 as f1, "good" as class
union all
select 1 as f0,3 as f1, "good" as class
union all
select 1 as f0,4 as f1, "bad" as class
union all
select 0 as f0,3 as f1, "good" as class
union all
select 0 as f0,4 as f1, "bad" as class
)tmp;

Treine o modelo usando o algoritmo de floresta aleatória:

PAI -name randomforests
   -project algo_public
   -DinputTableName="pai_rf_test_input"
   -DmodelName="pai_rf_test_model"
   -DforceCategorical="f1"
   -DlabelColName="class"
   -DfeatureColNames="f0,f1"
   -DmaxRecordSize="100000"
   -DminNumPer="0"
   -DminNumObj="2"
   -DtreeNum="3";

Execute o Prediction com o modelo treinado:

PAI -name prediction
    -project algo_public
    -DinputTableName=pai_rf_test_input
    -DmodelName=pai_rf_test_model
    -DresultColName=prediction_result
    -DscoreColName=prediction_score
    -DdetailColName=prediction_detail
    -DoutputTableName=pai_temp_2283_76333_1

Visualize a tabela de saída pai_temp_2283_76333_1:

A tabela de saída contém três colunas:
- prediction_result: o principal resultado da predição (a classe com maior probabilidade). Neste exemplo, o valor é good ou bad.
- prediction_score: a probabilidade associada ao principal resultado da predição. Neste exemplo, o resultado pode ser good ou bad, dependendo de qual tiver a maior probabilidade; a coluna prediction_score armazena essa probabilidade máxima.
- prediction_detail: lista todos os resultados possíveis e suas respectivas probabilidades.