Todos os produtos
Search

Este produto

    Platform For AI:Melhor prática para executar o componente K-means Clustering

    Central de documentação

    Platform For AI:Melhor prática para executar o componente K-means Clustering

    Última atualização: Sep 22, 2026

    Este tópico descreve como executar os componentes K-means Clustering e Clustering Model Evaluation do Platform for AI (PAI). Para obter a combinação ideal de hiperparâmetros do algoritmo K-means Clustering, envie um experimento de ajuste de hiperparâmetros com base em recursos do maxcompute.

    Etapa 1: Preparar os dados

    Para preparar os dados de teste e de avaliação, consulte os exemplos no tópico Clustering model evaluation.

    Os dados da amostra pai_online_project.pai_kmeans_test_input e pai_online_project.pai_cluster_evaluation_test_input usados neste exemplo provêm de uma fonte de dados de código aberto. Use esses dados diretamente.

    Etapa 2: crie um experimento

    1. acesse a página Create Experiment. Para mais informações, consulte Create an experiment.

    2. Na página Create Experiment, configure os parâmetros. As tabelas a seguir descrevem os parâmetros principais. Para obter informações sobre outros parâmetros, consulte Create an experiment.

      • Configurações de execução image.png

        Parâmetro

        Descrição

        Metric Type

        selecione maxcompute.

        Command

        configure os seguintes comandos e execute-os em sequência:

        • Comando 1: Execute o componente K-means clustering para criar um modelo de cluster com os dados de teste preparados. Para saber como configurar os parâmetros, consulte a seção "Method 2: Run PAI commands" no tópico K-means Clustering. 

          pai -name kmeans
    -project algo_public
    -DinputTableName=pai_online_project.pai_kmeans_test_input
    -DselectedColNames=f0,f1
    -DappendColNames=f0,f1
    -DcenterCount=${centerCount}
    -Dloop=10
    -Daccuracy=0,01
    -DdistanceType=${distanceType}
    -DinitCenterMethod=random
    -Dseed=1
    -DmodelName=pai_kmeans_test_output_model_${exp_id}_${trial_id}
    -DidxTableName=pai_kmeans_test_output_idx_${exp_id}_${trial_id}
    -DclusterCountTableName=pai_kmeans_test_output_couter_${exp_id}_${trial_id}
    -DcenterTableName=pai_kmeans_test_output_center_${exp_id}_${trial_id};

          No código anterior, ${centerCount} e ${distanceType} são variáveis de hiperparâmetros que você pode definir.

        • Comando 2: Execute o componente Clustering model evaluation com base no resultado do cluster gerado pelo Comando 1 para avaliar o desempenho do modelo de cluster. Para saber como configurar os parâmetros, consulte a seção "Method 2: Use PAI commands" no tópico Clustering Model Evaluation. 

          • PAI -name cluster_evaluation
        -project algo_public
        -DinputTableName=pai_online_project.pai_cluster_evaluation_test_input
        -DselectedColNames=f0,f1
        -DmodelName=pai_kmeans_test_output_model_${exp_id}_${trial_id}
        -DoutputTableName=pai_ft_cluster_evaluation_out_${exp_id}_${trial_id};

        Hyperparameter

        A seção a seguir lista o tipo de restrição e os valores válidos dos hiperparâmetros:

        • centerCount:

          • Constraint Type: choice.

          • Valid Values: Clique no ícone image.png para adicionar os seguintes valores enumerados: 2, 3, 4 e 5.

        • distanceType:

          • Constraint Type: choice.

          • Valid Values: Clique no ícone image.png para adicionar os seguintes valores enumerados: euclidean, cosine e cityblock.

        Com base na configuração anterior, o sistema gera 12 combinações de hiperparâmetros e cria uma tentativa para cada combinação. Em cada tentativa, o sistema executa os componentes K-means Clustering e Clustering Model Evaluation com a respectiva combinação de hiperparâmetros.

      • Configuração da tentativa

        Campo

        Descrição

        Metric Type

        selecione table.

        Method

        selecione best.

        Metric Weight

        • Chave: vrc

        • Valor: 1

        Metric Source

        defina como select GET_JSON_OBJECT(summary, '$.calinhara') as vrc from pai_ft_cluster_evaluation_out_${exp_id}_${trial_id};.

        Optimization

        selecione Maximize.

        Model Name

        defina como pai_kmeans_test_output_model_${exp_id}_${trial_id}.

      • Configurações de pesquisa

        Parâmetro

        Descrição

        Search Algorithm

        selecione TPE.

        Maximum Trials

        defina como 6.

        Maximum Concurrent Trials

        defina como 3.

    3. clique em Submit.

      O sistema inicia a criação do experimento. Acompanhe o experimento na página AutoML.

    Etapa 3: visualize detalhes e resultados do experimento

    1. Na página AutoML, clique no nome do experimento para acessar a página Experiment Details.

      Na página Experiment Details, visualize o progresso de execução e o status da tentativa.

      Neste exemplo, o sistema cria seis tentativas com base no algoritmo de pesquisa e no número máximo de tentativas que você especificou.

    2. Na aba Trials, visualize as tentativas geradas pelo sistema, bem como o status de execução, a métrica final e a combinação de hiperparâmetros de cada tentativa.

      Neste exemplo, o parâmetro Optimization está definido como Maximize. Portanto, a combinação ideal de hiperparâmetros é aquela cuja Final Metric é 59.089. Combinação ideal: centerCount: 2, distanceType: cityblock.