標準化 - Platform For AI - Alibaba Cloud ドキュメントセンター

このトピックでは、Machine Learning Designer (旧称Machine Learning Studio) が提供する標準化コンポーネントについて説明します。

背景情報

テーブル内の1つ以上の列を標準化し、生成されたデータを新しいテーブルに保存できます。
以下の式が標準化のために使用される :( X平均)/(標準偏差)
- 平均: サンプルの平均。
- 標準偏差: サンプルの標準偏差。標準偏差は、サンプルを使用して総偏差を計算する場合に使用される。標準化後に得られた値を平均に近づけるには、式を使用して計算された標準偏差を適度に大きくする必要があります。
- サンプルの標準偏差を計算するために使用される式はである。
  は、サンプルX1、X2、... 、およびXnの平均を表す。

コンポーネントの設定

次のいずれかの方法を使用して、標準化コンポーネントを設定できます。

方法1: パイプラインページでコンポーネントを設定する

Machine Learning Designerのパイプラインページでコンポーネントパラメーターを設定します。

タブ	パラメーター	説明
フィールド設定	すべてデフォルトで選択	デフォルトでは、入力テーブルのすべての列が選択されます。特定の列をトレーニングに使用することはできません。これらの列は予測結果に影響を与えません。
フィールド設定	元の列を予約	元の列を予約するかどうかを指定します。標準化後、列名の前にstdized_が付いています。予約できるのは、DOUBLEまたはBIGINTタイプの列のみです。
チューニング	コア	コアの数。システムは、入力データの量に基づいて、トレーニングに使用されるコアを自動的に割り当てます。
チューニング	コアあたりのメモリサイズ	各コアのメモリサイズ。システムは、入力データの量に基づいてメモリを自動的に割り当てます。単位：MB。

方法2: PAIコマンドを使用する

PAIコマンドを使用してコンポーネントパラメータを設定します。 SQLスクリプトコンポーネントを使用してPAIコマンドを呼び出すことができます。詳細については、「SQLスクリプト」をご参照ください。

高密度データのコマンド

PAI -name Standardize
    -project algo_public 
    -DkeepOriginal="false"    
    -DoutputTableName="test_5"
    -DinputTablePartitions="pt=20150501"  
    -DinputTableName="bank_data_partition" 
    -DselectedColNames="euribor3m,pdays"

スパースデータのコマンド

PAI -name Standardize    
    -project projectxlib4
    -DkeepOriginal="true"
    -DoutputTableName="kv_standard_output"
    -DinputTableName=kv_standard_test
    -DselectedColNames="f0,f1,f2"
    -DenableSparse=true
    -DoutputParaTableName=kv_standard_model    
    -DkvIndices=1,2,8,6
    -DitemDelimiter=",";

パラメーター	必須	説明	デフォルト値
inputTableName	可	入力テーブルの名前。	デフォルト値なし
selectedColNames	不可	トレーニング用に入力テーブルから選択された列。列名はコンマ (,) で区切る必要があります。 INT型とDOUBLE型の列がサポートされています。入力データがスパース形式の場合、STRING型の列がサポートされます。	すべての列
inputTablePartitions	不可	トレーニング用に入力テーブルから選択されたパーティション。次の形式がサポートされています。 Partition_name=value name1=value1/name2=value2: マルチレベルパーティション説明複数のパーティションを指定する場合は、コンマ (,) で区切ります。	すべてのパーティション
outputTableName	可	出力テーブルの名前。	デフォルト値なし
outputParaTableName	可	出力パラメーターテーブルの名前。	デフォルト値なし
inputParaTableName	不可	入力パラメーターテーブルの名前。	デフォルト値なし
keepOriginal	不可	元の列を予約するかどうかを指定します。有効な値： true: 標準化された列の名前を_プレフィックスで変更し、元の列を予約します。 false: 名前を変更せずにすべての列を予約します。	false
ライフサイクルの設定 (Set lifecycle)	不可	出力テーブルのライフサイクル。	デフォルト値なし
coreNum	不可	コアの数。	システムによって決定される
memSizePerCore	不可	各コアのメモリサイズ。	システムによって決定される
enableSparse	不可	スパース形式の入力データをサポートするかどうかを指定します。有効な値： true false	false
itemDelimiter	不可	キーと値のペア間で使用される区切り文字。	,
kvDelimiter	不可	キーと値の間に使用される区切り文字。	:
kvIndices	不可	key-value形式のデータを含むテーブルで標準化が必要な機能インデックス。	デフォルト値なし

例：

入力データの生成

drop table if exists standardize_test_input;
create table standardize_test_input(
    col_string string,
    col_bigint bigint,
    col_double double,
    col_boolean boolean,
    col_datetime datetime);
insert overwrite table standardize_test_input
select
    *
from
(
    select
        '01' as col_string,
        10 as col_bigint,
        10.1 as col_double,
        True as col_boolean,
        cast('2016-07-01 10:00:00' as datetime) as col_datetime
    from dual
    union all
        select
            cast(null as string) as col_string,
            11 as col_bigint,
            10.2 as col_double,
            False as col_boolean,
            cast('2016-07-02 10:00:00' as datetime) as col_datetime
        from dual
    union all
        select
            '02' as col_string,
            cast(null as bigint) as col_bigint,
            10.3 as col_double,
            True as col_boolean,
            cast('2016-07-03 10:00:00' as datetime) as col_datetime
        from dual
    union all
        select
            '03' as col_string,
            12 as col_bigint,
            cast(null as double) as col_double,
            False as col_boolean,
            cast('2016-07-04 10:00:00' as datetime) as col_datetime
        from dual
    union all
        select
            '04' as col_string,
            13 as col_bigint,
            10.4 as col_double,
            cast(null as boolean) as col_boolean,
            cast('2016-07-05 10:00:00' as datetime) as col_datetime
        from dual
    union all
        select
            '05' as col_string,
            14 as col_bigint,
            10.5 as col_double,
            True as col_boolean,
            cast(null as datetime) as col_datetime
        from dual
) tmp;

PAIコマンドの実行

drop table if exists standardize_test_input_output;
drop table if exists standardize_test_input_model_output;
PAI -name Standardize
    -project algo_public
    -DoutputParaTableName="standardize_test_input_model_output"
    -Dlifecycle="28"
    -DoutputTableName="standardize_test_input_output"
    -DinputTableName="standardize_test_input"
    -DselectedColNames="col_double,col_bigint"
    -DkeepOriginal="true";
drop table if exists standardize_test_input_output_using_model;
drop table if exists standardize_test_input_output_using_model_model_output;
PAI -name Standardize
    -project algo_public
    -DoutputParaTableName="standardize_test_input_output_using_model_model_output"
    -DinputParaTableName="standardize_test_input_model_output"
    -Dlifecycle="28"
    -DoutputTableName="standardize_test_input_output_using_model"
    -DinputTableName="standardize_test_input";

入力

standardize_test_input

col_文字列	col_bigint	col_double	col_boolean	col_datetime
01	10	10.1	true	2016-07-01 10:00:00
NULL	11	10.2	false	2016-07-02 10:00:00
02	NULL	10.3	true	2016-07-03 10:00:00
03	12	NULL	false	2016-07-04 10:00:00
04	13	10.4	NULL	2016-07-05 10:00:00
05	14	10.5	true	NULL

Output

standardize_test_input_output

col_文字列	col_bigint	col_double	col_boolean	col_datetime	stdized_col_bigint	stdized_col_double
01	10	10.1	true	2016-07-01 10:00:00	-1.2649110640673518	-1.2649110640683832
NULL	11	10.2	false	2016-07-02 10:00:00	-0.6324555320336759	-0.6324555320341972
02	NULL	10.3	true	2016-07-03 10:00:00	NULL	0.0
03	12	NULL	false	2016-07-04 10:00:00	0.0	NULL
04	13	10.4	NULL	2016-07-05 10:00:00	0.6324555320336759	0.6324555320341859
05	14	10.5	true	NULL	1.2649110640673518	1.2649110640683718

standardize_test_input_model_output

特徴	json
col_bigint	{"name": "standardize", "type": "bigint", "paras":{"mean":12, "std": 1.58113883008419}}
col_double	{"name": "standardize", "type": "double", "paras":{"mean":10.3, "std": 0.1581138830082909}}

standardize_test_input_output_using_model

col_文字列	col_bigint	col_double	col_boolean	col_datetime
01	-1.2649110640673515	-1.264911064068383	true	2016-07-01 10:00:00
NULL	-0.6324555320336758	-0.6324555320341971	false	2016-07-02 10:00:00
02	NULL	0.0	true	2016-07-03 10:00:00
03	0.0	NULL	false	2016-07-04 10:00:00
04	0.6324555320336758	0.6324555320341858	NULL	2016-07-05 10:00:00
05	1.2649110640673515	1.2649110640683716	true	NULL

standardize_test_input_output_using_model_model_output

特徴	json
col_bigint	{"name": "standardize", "type": "bigint", "paras":{"mean":12, "std": 1.58113883008419}}
col_double	{"name": "standardize", "type": "double", "paras":{"mean":10.3, "std": 0.1581138830082909}}