全部产品
Search
文档中心

人工智能平台 PAI:分箱

更新时间:Feb 27, 2024

通过分箱组件可以进行特征离散化,即将连续的数据进行分段,使其变为多个离散化区间。分箱组件支持等频分箱、等宽分箱及自动分箱。

配置组件

您可以使用以下任意一种方式,配置分箱组件参数。

方式一:可视化方式

Designer工作流页面配置组件参数。

页签

参数

描述

字段设置

特征列

支持STRING、BIGINT及DOUBLE类型。

标签列

仅支持二分类。

正例值

仅当标签列存在时才生效。

选择分箱的参数来源

参数来源支持“参数设置”中的参数手动分箱或自定义Json。

是否保留没有在“特征列”中选择的字段

使用自定义分箱时,如果该参数选择,则未在特征列中选择的字段会原样保留,否则会删除未选择的字段。

上传分箱和约束Json

选择分箱的参数来源取值为手动分箱或自定义Json时,该参数生效。

参数设置

分箱个数

配置为10,表示将连续特征离散化至10个区间中。

自定义列分箱个数

可以指定单个或多个字段的分箱数,会覆写总的分箱个数。如果自定义的列不在字段选择中,则多出的列也会进行计算。例如,字段选择为col0col1, 自定义分箱为col0:3,col2:5,当分箱个数为10时,那么按照col0:3,col1:10,col2:5进行计算。

取值格式为:字段名1:分箱个数, 字段名2:分箱个数

自定义离散值个数阈值

格式为col0:3

区间选择

支持左开右闭左闭右开区间。

分箱方式

支持等频等宽自动分箱

离散值个数阈值

如果小于该值,则分到“其它”分箱。

执行调优

核心数

默认系统自动分配。

每个核分配的内存数

默认系统自动分配。

方式二:PAI命令方式

使用PAI命令方式,配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用,详情请参见SQL脚本

PAI -name binning
    -project algo_public
    -DinputTableName=input
    -DoutputTableName=output

参数

描述

是否必选

默认值

inputTableName

输入表的名称。

outputTableName

输出表的名称。

selectedColNames

输入表选择分箱的列。

除Label外的其他列,如果无Label,则选择全部。

labelColName

Label所在的列。

validTableName

表示binningMethod为auto时输入的验证表名。在auto模式下,该参数为必选。

validTablePartitions

验证表选择的分区。

全表

inputTablePartitions

输入表选择的分区。

全表

inputBinTableName

输入的分箱表。

selectedBinColNames

分箱表选择的列。

positiveLabel

输出正样本的分类。

1

nDivide

分箱的个数,取值为正整数。

10

colsNDivide

自定义列的分箱个数,例如col0:3,col2:5。如果colsNDivide中选中的列不在selectedColNames中,则多出的列也会进行计算。例如,selectedColNamescol0,col1colsNDividecol0:3,col2:5nDivide为10时,则按照col0:3,col1:10,col2:5进行计算。

isLeftOpen

选择区间为左开右闭或左闭右开,取值包括为:

  • {true}:左开右闭。

  • {false}:左闭右开。

true

stringThreshold

离散值为其他分箱的阈值。

colsStringThreshold

自定义列的阈值,同colsNDivide

binningMethod

分箱类型,取值包括:

  • quantile:等频分箱。

  • bucket:等宽分箱。

  • auto:当在quantile模式时,自动选择单调性的分箱。

quantile

lifecycle

输出表的生命周期,取值为正整数。

coreNum

核心数,取值为正整数。

系统自动计算

memSizePerCore

内存数,取值为正整数。

系统自动计算

分箱约束功能需要与评分卡训练组件配合使用。在评分卡训练过程中通过分箱进行特征工程,将特征离散化生成Dummy变量,并对训练过程中的每个Dummy变量的权重增加一定约束。各个约束项的含义如下:

  • 顺序升序约束:该特征的各个Dummy变量按照Index从小到大添加权重上升的约束,即Index越大,权重越大。

  • 顺序降序约束:该特征的各个Dummy变量按照Index从小到大添加权重下降的约束,即Index越大,权重越小。

  • 相等权重值:该特征两个Dummy变量的权重值相等的约束。

  • 权重值为0:该特征某个Dummy变量的权重值为0的约束。

  • 等于固定权重值:该特征某个Dummy变量的权重值等于固定浮点数值的约束。

  • WOE值顺序约束:该特征各个Dummy变量按照WOE值从小到大添加权重上升的约束,即WOE值越大,权重值越大。

结果演示

  1. 使用分箱组件的工作流运行结束后,右键单击画布中的分箱组件,在快捷菜单,单击我要分箱

  2. 在变量列表页面,您可以查看每个变量的分箱数类型IV等信息,具体如下图所示。分箱变量

  3. 单击变量的名称(以f1为例),可以打开f1-分箱详情页面,该页面详情如下图所示。

    您可以在该页面对分箱进行合并拆分,也可以对分箱增加约束。

    说明

    约束仅对后续的评分卡训练模块有效,如果仅使用分箱,不使用评分卡训练,则可以忽略约束项。

    分箱详情