Classificação multiclasse PS-SMART - Platform For AI: Central de Documentação do Alibaba Cloud

Limitações

A coluna alvo aceita apenas tipos numéricos. Converta dados STRING nas tabelas do MaxCompute antes do treinamento. Exemplo: converta Good/Medium/Bad para 0/1/2.
Em dados no formato KV, os IDs de features devem ser inteiros positivos e os valores das features devem ser números reais. Use o componente serialize para converter IDs de features em string. Aplique engenharia de features (como discretização) a valores categóricos em string.
O componente suporta centenas de milhares de features, mas consome recursos significativos e tem execução lenta. Algoritmos GBDT têm melhor desempenho com features contínuas. Aplique codificação one-hot em features categóricas para filtrar as de baixa frequência. Evite discretizar features contínuas.
O PS-SMART introduz aleatoriedade por meio de amostragem de dados (data_sample_ratio), amostragem de features (fea_sample_ratio), aproximação de histograma e ordem de mesclagem de sketches. As estruturas de árvore podem variar entre workers distribuídos, mas o desempenho do modelo permanece similar. Dados e parâmetros idênticos podem gerar resultados inconsistentes entre execuções.
Aumentar os computing cores acelera o treinamento. O treinamento só inicia após todos os servidores obterem os recursos necessários. Solicitar mais recursos durante congestionamento do cluster aumenta o tempo de espera.

Configure o componente

Método 1: Usar a GUI

Adicione PS-SMART multiclass classification ao workflow do Designer e configure os parâmetros:

Tipo de parâmetro	Parâmetro	Descrição
Configuração de campos	Formato esparso	O formato esparso usa espaços para separar pares KV e dois pontos para separar key e value. Exemplo: 1:0.3 3:0.9.
	Colunas de features	Colunas de features da tabela de entrada. Para formato denso, selecione apenas colunas numéricas (BIGINT ou DOUBLE). No formato KV esparso, onde tanto key quanto value são numéricos, selecione apenas colunas STRING.
	Coluna de rótulo	Coluna de rótulo da tabela de entrada. Aceita tipos STRING e numéricos. O armazenamento interno exige tipos numéricos, como 0 e 1 para classificação binária.
	Coluna de peso	Coluna de peso para cada linha de amostra. Aceita apenas tipos numéricos.
Configuração de parâmetros	Número de classes	Quantidade de classes para classificação multiclasse. Se definido como n, os valores da coluna de rótulo devem variar de 0 a n-1.
	Tipo de métrica de avaliação	Tipos disponíveis: verossimilhança logarítmica negativa multiclasse e erro de classificação multiclasse.
	Número de árvores	Quantidade de árvores (inteiro positivo). O tempo de treinamento aumenta proporcionalmente.
	Profundidade máxima da árvore	Profundidade máxima da árvore. Padrão: 5 (permite até 32 nós folha).
	Taxa de amostragem de dados	Proporção de dados amostrados na construção de cada árvore. Crie aprendizes fracos e acelera o treinamento.
	Taxa de amostragem de features	Proporção de features amostradas na construção de cada árvore. Gera aprendizes fracos e acelera o treinamento.
	Coeficiente de penalidade L1	Controla a distribuição de tamanho dos nós folha. Valores maiores produzem distribuição mais uniforme. Aumente para evitar overfitting.
	Coeficiente de penalidade L2	Controla a distribuição de tamanho dos nós folha. Valores maiores resultam em distribuição mais uniforme. Aumente para prevenir overfitting.
	Taxa de aprendizado	Intervalo: (0,1).
	Precisão aproximada do sketch	Limiar de quantil para construção do sketch. Valores menores criam mais buckets. Padrão: 0,03. Não requer configuração manual.
	Alteração mínima de perda de divisão	Redução mínima de perda necessária para dividir um nó. Valores maiores geram divisões mais conservadoras.
	Número de features	Quantidade de features ou ID máximo de feature. Usado para estimativa de recursos.
	Viés global	Valor inicial de previsão para todas as amostras. Também conhecido como pontuação base.
	Semente do gerador de números aleatórios	Semente aleatória (inteiro).
	Tipo de importância de feature	Tipos de cálculo de importância de feature: Contagem de divisões: número de vezes que a feature é usada para divisão. Ganho de informação: informação obtida pela feature. Cobertura de amostras: quantidade de amostras cobertas pela feature nos nós de divisão.
Ajuste de execução	Número de núcleos	Quantidade de núcleos de computação. O sistema aloca automaticamente por padrão.
Ajuste de execução	Memória por núcleo	Memória por núcleo (MB). O sistema faz a alocação automática. Configuração manual raramente é necessária.

Método 2: Usar comandos PAI

Chame comandos PAI a partir de um componente de script SQL. Para mais detalhes, consulte Scenario 4: Execute PAI commands in a SQL script component.

--Train
PAI -name ps_smart
    -project algo_public
    -DinputTableName="smart_multiclass_input"
    -DmodelName="xlab_m_pai_ps_smart_bi_545859_v0"
    -DoutputTableName="pai_temp_24515_545859_2"
    -DoutputImportanceTableName="pai_temp_24515_545859_3"
    -DlabelColName="label"
    -DfeatureColNames="features"
    -DenableSparse="true"
    -Dobjective="multi:softprob"
    -Dmetric="mlogloss"
    -DfeatureImportanceType="gain"
    -DtreeCount="5"
    -DmaxDepth="5"
    -Dshrinkage="0.3"
    -Dl2="1.0"
    -Dl1="0"
    -Dlifecycle="3"
    -DsketchEps="0.03"
    -DsampleRatio="1.0"
    -DfeatureRatio="1.0"
    -DbaseScore="0.5"
    -DminSplitLoss="0"
--Predict
PAI -name prediction
    -project algo_public
    -DinputTableName="smart_multiclass_input";
    -DmodelName="xlab_m_pai_ps_smart_bi_545859_v0"
    -DoutputTableName="pai_temp_24515_545860_1"
    -DfeatureColNames="features"
    -DappendColNames="label,features"
    -DenableSparse="true"
    -DkvDelimiter=":"
    -Dlifecycle="28"

Módulo	Parâmetro	Obrigatório	Padrão	Descrição
Parâmetros de dados	featureColNames	Sim	Nenhum	Colunas de features da tabela de entrada. Para formato denso, selecione apenas colunas numéricas (BIGINT ou DOUBLE). No formato KV esparso, onde key e value são numéricos, selecione apenas colunas STRING.
	labelColName	Sim	Nenhum	Coluna de rótulo da tabela de entrada. Aceita tipos STRING e numéricos. O armazenamento interno requer tipos numéricos. Para classificação multiclasse, os valores devem variar de 0 a n-1, onde n é o número de classes.
	weightCol	Não	Nenhum	Coluna de peso para cada linha de amostra. Aceita apenas tipos numéricos.
	enableSparse	Não	false	Indica se os dados estão em formato esparso. Valores: true ou false. O formato esparso usa espaços para separar pares KV e dois pontos para separar key e value. Exemplo: 1:0.3 3:0.9.
	inputTableName	Sim	Nenhum	Nome da tabela de entrada.
	modelName	Sim	Nenhum	Nome do modelo de saída.
	outputImportanceTableName	Não	Nenhum	Nome da tabela de saída para importância de features.
	inputTablePartitions	Não	Nenhum	Formato: ds=1/pt=1.
	outputTableName	Não	Nenhum	Tabela de saída no MaxCompute. Formato binário, não legível diretamente. Acessível apenas pelo componente de previsão SMART.
	lifecycle	Não	3	Ciclo de vida da tabela de saída (em dias).
Parâmetros do algoritmo	classNum	Sim	Nenhum	Quantidade de classes para classificação multiclasse. Se definido como n, os valores da coluna de rótulo devem variar de 0 a n-1.
	objective	Sim	Nenhum	Tipo de função objetivo. Para treinamento de classificação multiclasse, use multi:softprob.
	metric	Não	Nenhum	Tipo de métrica de avaliação para o conjunto de dados de treinamento. A saída é gravada em stdout na área Logview Coordinator. Tipos: mlogloss: verossimilhança logarítmica negativa multiclasse (corresponde à opção da GUI). merror: erro de classificação multiclasse (corresponde à opção da GUI).
	treeCount	Não	1	Quantidade de árvores (inteiro positivo). O tempo de treinamento aumenta proporcionalmente.
	maxDepth	Não	5	Profundidade máxima da árvore. Intervalo: 1 a 20.
	sampleRatio	Não	1,0	Taxa de amostragem de dados. Intervalo: (0,1]. O valor 1,0 desativa a amostragem.
	featureRatio	Não	1,0	Taxa de amostragem de features. Intervalo: (0,1]. O valor 1,0 desativa a amostragem.
	l1	Não	0	Coeficiente de penalidade L1. Valores maiores produzem distribuição mais uniforme dos nós folha. Aumente para evitar overfitting.
	l2	Não	1,0	Coeficiente de penalidade L2. Valores maiores resultam em distribuição mais uniforme dos nós folha. Aumente para prevenir overfitting.
	shrinkage	Não	0,3	Taxa de aprendizado. Intervalo: (0,1).
	sketchEps	Não	0,03	Limiar de quantil para construção do sketch. Contagem de buckets: O(1.0/sketchEps). Valores menores criam mais buckets. Use o valor padrão. Não requer configuração manual. Intervalo: (0,1).
	minSplitLoss	Não	0	Redução mínima de perda necessária para dividir um nó. Valores maiores geram divisões mais conservadoras.
	featureNum	Não	Nenhum	Quantidade de features ou ID máximo de feature. Usado para estimativa de recursos.
	baseScore	Não	0,5	Valor inicial de previsão para todas as amostras. Também conhecido como viés global.
	randSeed	Não	Nenhum	Semente aleatória (inteiro).
	featureImportanceType	Não	gain	Tipos de cálculo de importância de feature: weight: contagem de divisões — número de vezes que a feature é usada para divisão. gain: ganho de informação obtido pela feature. cover: cobertura de amostras — quantidade de amostras cobertas pela feature nos nós de divisão.
Parâmetros de ajuste	coreNum	Não	Alocado pelo sistema	Quantidade de núcleos de computação. Valores maiores aceleram a execução.
Parâmetros de ajuste	memSizePerCore	Não	Alocado pelo sistema	Memória por núcleo em MB.

Implantação do modelo

Para implantar o modelo gerado pelo componente PS-SMART como um service online, adicione o componente General-purpose Model Export downstream do componente PS-SMART. Configure os parâmetros do componente da mesma forma que nos demais componentes da série PAI. Para mais informações, consulte General-purpose Model Export.

Após a execução bem-sucedida, implante o service de modelo na página PAI-EAS Model Online Service. Para mais informações, consulte Deploy a service in the console.