Platform For AI：樸素貝葉斯

組件配置

您可以使用以下任意一種方式，配置樸素貝葉斯組件參數。

方式一：可視化方式

方式二：PAI命令方式

PAI -name NaiveBayes -project algo_public
    -DinputTablePartitions="pt=20150501"
    -DmodelName="xlab_m_NaiveBayes_23772"
    -DlabelColName="poutcome"
    -DfeatureColNames="age,previous,cons_conf_idx,euribor3m"
    -DinputTableName="bank_data_partition";

樣本

1. 準備訓練資料和測試資料。

   1. 使用MaxCompute用戶端建立表train_data和test_data，分別用來存放訓練資料和測試資料。其中欄欄位和資料類型為id bigint、y bigint、f0 double、f1 double、f2 double、f3 double、f4 double、f5 double、f6 double、f7 double。關於MaxCompute用戶端的安裝及配置請參見使用本地用戶端（odpscmd）串連，如何建立表，請參見建立表。

   2. 將以下訓練資料和測試資料分別匯入到表train_data和test_data中。如何匯入資料，請參見匯入資料。

      • 訓練資料

        id	y	f0	f1	f2	f3	f4	f5	f6	f7
        1	-1	-0.294118	0.487437	0.180328	-0.292929	-1	0.00149028	-0.53117	-0.0333333
        2	+1	-0.882353	-0.145729	0.0819672	-0.414141	-1	-0.207153	-0.766866	-0.666667
        3	-1	-0.0588235	0.839196	0.0491803	-1	-1	-0.305514	-0.492741	-0.633333
        4	+1	-0.882353	-0.105528	0.0819672	-0.535354	-0.777778	-0.162444	-0.923997	-1
        5	-1	-1	0.376884	-0.344262	-0.292929	-0.602837	0.28465	0.887276	-0.6
        6	+1	-0.411765	0.165829	0.213115	-1	-1	-0.23696	-0.894962	-0.7
        7	-1	-0.647059	-0.21608	-0.180328	-0.353535	-0.791962	-0.0760059	-0.854825	-0.833333
        8	+1	0.176471	0.155779	-1	-1	-1	0.052161	-0.952178	-0.733333
        9	-1	-0.764706	0.979899	0.147541	-0.0909091	0.283688	-0.0909091	-0.931682	0.0666667
        10	-1	-0.0588235	0.256281	0.57377	-1	-1	-1	-0.868488	0.1

      • 測試資料

        id	y	f0	f1	f2	f3	f4	f5	f6	f7
        1	+1	-0.882353	0.0854271	0.442623	-0.616162	-1	-0.19225	-0.725021	-0.9
        2	+1	-0.294118	-0.0351759	-1	-1	-1	-0.293592	-0.904355	-0.766667
        3	+1	-0.882353	0.246231	0.213115	-0.272727	-1	-0.171386	-0.981213	-0.7
        4	-1	-0.176471	0.507538	0.278689	-0.414141	-0.702128	0.0491804	-0.475662	0.1
        5	-1	-0.529412	0.839196	-1	-1	-1	-0.153502	-0.885568	-0.5
        6	+1	-0.882353	0.246231	-0.0163934	-0.353535	-1	0.0670641	-0.627669	-1
        7	-1	-0.882353	0.819095	0.278689	-0.151515	-0.307329	0.19225	0.00768574	-0.966667
        8	+1	-0.882353	-0.0753769	0.0163934	-0.494949	-0.903073	-0.418778	-0.654996	-0.866667
        9	+1	-1	0.527638	0.344262	-0.212121	-0.356974	0.23696	-0.836038	-0.8
        10	+1	-0.882353	0.115578	0.0163934	-0.737374	-0.56974	-0.28465	-0.948762	-0.933333

2. 構建如下工作流程，並運行組件，詳情請參見演算法建模。

   1. 在Designer左側組件列表中，分別搜尋讀資料表組件（2個）、樸素貝葉斯組件、預測組件、多分類評估組件，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train_data。

      • 在畫布中單擊讀資料表-2組件，在右側表選擇頁簽，配置表名為test_data。

      • 在畫布中單擊樸素貝葉斯-1組件，在右側配置如下表中的參數，其餘參數使用預設值。

        頁簽	參數	描述
        欄位設定	特徵列	在訓練表中，選擇f0、f1、f2、f3、f4、f5、f6及f7列。
        	標籤列	在訓練表中，選擇y列。

      • 在畫布中單擊預測-1組件，在右側欄位設定頁簽，選擇原樣輸出資料行為id和y。其餘參數使用預設值。

      • 在畫布中單擊多分類評估-1組件，在右側欄位設定頁簽，選擇原分類結果列為y。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。

3. 工作流程運行成功後，按右鍵預測-1組件，在捷徑功能表，選擇查看資料 > 預測結果輸出，查看預測結果。運行完成後，預測結果表包含 id、y（原始標籤）、prediction_result（預測標籤，值為 1 或 -1）、prediction_score（預測信賴度，各樣本得分均接近 1）和 prediction_detail（JSON 格式的各類別機率詳情）列。10 條測試資料的預測結果顯示模型信賴度較高，預測效果良好。