Platform For AI：線性模型特徵重要性

使用限制

支援的計算引擎為MaxCompute。

組件配置

您可以使用以下任意一種方式，配置線性模型特徵重要性組件參數。

方式一：可視化方式

方式二：PAI命令方式

PAI -name regression_feature_importance -project algo_public
    -DmodelName=xlab_m_logisticregressi_20317_v0
    -DoutputTableName=pai_temp_2252_20321_1
    -DlabelColName=y
    -DfeatureColNames=pdays,previous,emp_var_rate,cons_price_idx,cons_conf_idx,euribor3m,nr_employed,age,campaign
    -DenableSparse=false -DinputTableName=pai_dense_10_9;

樣本

1. 建立bank_data表，並匯入表資料。具體操作，請參見建立表和匯入資料。

2. 使用SQL語句，產生訓練資料。

   create table if not exists pai_dense_10_9 as
   select
       age,campaign,pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m, nr_employed, fixed_deposit
   from  bank_data limit 10;

3. 構建如下工作流程，並運行組件，詳情請參見演算法建模。連線方式：將 讀資料表-1 的輸出分別串連到 羅吉斯迴歸多分類 和 線性模型特徵重要性 的輸入，再將 羅吉斯迴歸多分類 的輸出串連到 線性模型特徵重要性 的輸入。

   1. 在Designer左側組件列表中，分別搜尋讀資料表組件、羅吉斯迴歸多分類組件、線性模型特徵重要性組件，並拖入右側畫布中。

   2. 通過連線的方式，將各個節點群組織構建成為一個有上下遊關係的工作流程。

   3. 配置組件參數。

      • 在畫布中單擊讀資料表-1組件，在右側表選擇頁簽，配置表名為bank_data。

      • 在畫布中單擊羅吉斯迴歸多分類-1組件，在右側欄位設定頁簽，選擇訓練特徵列為age、campaign、pdays、previous、emp_var_rate、cons_price_idx、cons_conf_idx、euribor3m和nr_employed。選擇目標列為fixed_deposit。其餘參數使用預設值。

      • 在畫布中單擊線性模型特徵重要性-1組件，在右側欄位設定頁簽，將選擇目標列配置為fixed_deposit。其餘參數使用預設值。

   4. 參數配置完成後，單擊運行按鈕，運行工作流程。

4. 工作流程運行成功後，按右鍵線性模型特徵重要性-1組件，在捷徑功能表，選擇查看資料 > 模型重要性表。運行完成後，線性模型特徵重要性組件的輸出結果以表格形式展示各特徵的 colname、weight 和 importance 值，數值以科學計數法格式呈現（如 age 的 weight 為 9.61816270808075E-5）。

   指標計算公式如下。

   列名	公式
   weight	abs(w_)
   importance	abs(w_j) * STD(f_i) 說明 表示特徵係數的絕對值 * 訓練資料的標準差。

5. 按右鍵線性模型特徵重要性-1組件，在捷徑功能表，單擊可視化分析，查看可視化分析結果。