Platform For AI:GBDTバイナリ分類予測V2

サポートされるコンピューティングリソース

MaxComputeとFlinkのコンピューティングリソースに基づいて、GBDTバイナリ分類予測V2コンポーネントを使用できます。

原理

勾配ブースティング決定木モデルは、複数の決定木からなる。 各決定木は弱い学習者に対応する。 これらの弱い学習者を組み合わせることで、より良い分類と回帰の結果を得ることができます。

次の図は、グラデーションブーストの基本的な再帰構造を示しています。

ほとんどの場合、はCART決定木であり、は決定木のパラメータであり、はステップサイズである。 各決定木は、前の決定木に基づいて目的関数を最適化する。 前のプロセスの後、複数の決定木を含むモデルが得られる。

PAIコンソールでコンポーネントを設定する

• 入力ポート

  入力ポート (左から右へ)	データ型	推奨上流コンポーネント	必須
  入力	N/A	GBDTバイナリ分類V2	可
  予測データテーブル	N/A	読み取りテーブル	可

• パラメーター

  タブ	パラメーター	必須	説明	デフォルト値
  フィールド情報	予測結果の列名	可	予測結果列の名前。	prediction_result
  	predictionDetailCol	不可	予測の詳細列の名前。	prediction_detail
  	予約済み列	不可	予約済み列の名前。 デフォルトでは、すべての列が予約されています。	N/A
  チューニング	インスタンス数	不可	ジョブの実行に使用されるインスタンスの数。	値は入力データに基づいて自動的に計算されます。
  	インスタンスごとのメモリ	不可	各インスタンスのメモリサイズ。 単位：MB。 有効な値: [100,65536] 。	値は入力データに基づいて自動的に計算されます。

• 出力ポート

  ポート	保管場所	推奨下流コンポーネント	モデルタイプ
  Output	N/A	バイナリ分類評価	N/A

関連ドキュメント

• このコンポーネントは、GBDTバイナリ分類V2コンポーネントによってトレーニングされたモデルに基づいて予測を実行します。

• Machine Learning Designerコンポーネントの詳細については、「Machine Learning Designerの概要」をご参照ください。

• Machine Learning Designerは、さまざまなプリセットアルゴリズムコンポーネントを提供します。 ビジネス要件に基づいて、データ処理用のコンポーネントを選択できます。 詳細については、「コンポーネントリファレンス: すべてのコンポーネントの概要」をご参照ください。