Platform For AI:リッジ回帰予測

制限事項

MaxCompute、Realtime Compute for Apache Flink、またはPlatform for AI (PAI) のディープラーニングコンテナ (DLC) のいずれかのコンピューティングリソースにのみ基づいて、リッジ回帰トレーニングコンポーネントを使用できます。

Tikhonov正則化の仕組み

Tikhonov正則化は、共線性データの分析専用のバイアス推定回帰法です。 それは本質的に改善された最小二乗法である。 最小二乗法の不均衡を放棄することにより、Tikhonov正則化は、回帰係数を取得するためのより現実的で信頼性が高く、最小二乗法よりも条件の悪いデータによりよく適合します。 ただし、Tikhonov正則化は、部分的な情報の損失と精度の低下も引き起こします。

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)	データ型	推奨上流コンポーネント	必須
  予測の入力モデル	None	リッジ回帰トレーニング	可
  予測の入力データ	None	読み取りテーブル 特徴工学 データ前処理	可

• コンポーネントパラメータ

  タブ	パラメーター	説明
  フィールド設定	reservedCols	アルゴリズムによって予約される列。
  	vectorCol	ベクトル列の名前。
  パラメーター設定	predictionCol	予測列の名前。
  	numThreads	コンポーネントのスレッド数。 デフォルト値は 1 です。
  実行チューニング	数の労働者	労働者の数。 このパラメーターは、Memory per worker, unit MBパラメーターと一緒に使用する必要があります。 このパラメーターの値は正の整数でなければなりません。 有効な値: [1,9999] 。
  	ワーカあたりのメモリ、単位MB	各ワーカーのメモリサイズ。 有効値: 1024〜64 × 1024。 単位：MB。

コーディングによるコンポーネントの設定

from pyalink.alink import *

def main(sources, sinks, parameter):
    model = sources[0]
    batchData = sources[1]

    predictor = RidgeRegPredictBatchOp()\
        .setPredictionCol("pred")
    result = predictor.linkFrom(model, batchData)
    result.link(sinks[0])
    BatchOperator.execute()