離散值特徵分析 - Platform For AI

本文為您介紹Designer提供的離散值特徵分析。

離散值特徵分析統計離散特徵的分布情況。包括gini，entropy，gini gain，information gain，information gain ratio等指標。計算每個離散值對應的gini，entropy，計算單列對應的gini gain，information gain，information gain ratio。

gini index：
entropy：

組件配置

您可以使用以下任意一種方式，配置離散值特徵分析組件參數。

方式一：可視化方式

在Designer工作流程頁面配置組件參數。

參數	描述
特徵列	用來表現訓練樣本資料特徵的列。
標籤列	標籤欄位。
疏鬆陣列	當輸入表資料為稀疏格式時，需要設定KV格式的特徵。

方式二：PAI命令方式

使用PAI命令方式，配置該組件參數。您可以使用SQL指令碼組件進行PAI命令調用，詳情請參見SQL指令碼。

PAI
-name enum_feature_selection
-project algo_public
-DinputTableName=enumfeautreselection_input
-DlabelColName=label
-DfeatureColNames=col0,col1
-DenableSparse=false
-DoutputCntTableName=enumfeautreselection_output_cntTable
-DoutputValueTableName=enumfeautreselection_output_valuetable
-DoutputEnumValueTableName=enumfeautreselection_output_enumvaluetable;

參數名稱	是否必選	描述	預設值
inputTableName	是	輸入表的名稱。	無
inputTablePartitions	否	輸入表中，參與訓練的分區。系統支援以下格式： Partition_name=value name1=value1/name2=value2：多級分區說明指定多個分區時，分區之間使用英文逗號（,）分隔。	預設選擇全表
featureColNames	否	輸入表中，用於訓練的特徵列名。	無
labelColName	否	輸入表中，標籤列的名稱。	無
enableSparse	否	輸入資料是否為稀疏格式，取值範圍為{true,false}。	false
kvFeatureColNames	否	KV格式的特徵。	預設選擇全表
kvDelimiter	否	當輸入表資料為稀疏格式時，key和value之間的分隔字元。	英文冒號（:）
itemDelimiter	否	當輸入表資料為稀疏格式時，KV對之間的分隔字元。	英文逗號（,）
outputCntTableName	否	輸出離散特徵的枚舉值分布數表。	不涉及
outputValueTableName	否	輸出離散特徵的gini、entropy表。	不涉及
outputEnumValueTableName	否	輸出離散特徵枚舉值gini、entropy表。	不涉及
lifecycle	否	表的生命週期。	無
coreNum	否	計算的核心數，取值範圍為正整數。	系統自動分配
memSizePerCore	否	每個核心的記憶體，取值範圍為1 MB~65536 MB。	系統自動分配

樣本

使用如下SQL語句，產生輸入資料。

drop table if exists enum_feature_selection_test_input;
create table enum_feature_selection_test_input
as
select
    *
from
(
    select
        '00' as col_string,
        1 as col_bigint,
        0.0 as col_double
    
    union all
        select
            cast(null as string) as col_string,
            0 as col_bigint,
            0.0 as col_double
        
    union all
        select
            '01' as col_string,
            0 as col_bigint,
            1.0 as col_double
        
    union all
        select
            '01' as col_string,
            1 as col_bigint,
            cast(null as double) as col_double
        
    union all
        select
            '01' as col_string,
            1 as col_bigint,
            1.0 as col_double
        
    union all
        select
            '00' as col_string,
            0 as col_bigint,
            0.0 as col_double
        
) tmp;

輸入資料如下所示。

+------------+------------+------------+
| col_string | col_bigint | col_double |
+------------+------------+------------+
| 01         | 1          | 1.0        |
| 01         | 0          | 1.0        |
| 01         | 1          | NULL       |
| NULL       | 0          | 0.0        |
| 00         | 1          | 0.0        |
| 00         | 0          | 0.0        |
+------------+------------+------------+

PAI命令方式

運行命令

drop table if exists enum_feature_selection_test_input_enum_value_output;
drop table if exists enum_feature_selection_test_input_cnt_output;
drop table if exists enum_feature_selection_test_input_value_output;
PAI -name enum_feature_selection -project algo_public -DitemDelimiter=":" -Dlifecycle="28" -DoutputValueTableName="enum_feature_selection_test_input_value_output" -DkvDelimiter="," -DlabelColName="col_bigint" -DfeatureColNames="col_double,col_string" -DoutputEnumValueTableName="enum_feature_selection_test_input_enum_value_output" -DenableSparse="false" -DinputTableName="enum_feature_selection_test_input" -DoutputCntTableName="enum_feature_selection_test_input_cnt_output";

運行結果

enum_feature_selection_test_input_cnt_output

+------------+------------+------------+------------+
| colname    | colvalue   | labelvalue | cnt        |
+------------+------------+------------+------------+
| col_double | NULL       | 1          | 1          |
| col_double | 0          | 0          | 2          |
| col_double | 0          | 1          | 1          |
| col_double | 1          | 0          | 1          |
| col_double | 1          | 1          | 1          |
| col_string | NULL       | 0          | 1          |
| col_string | 00         | 0          | 1          |
| col_string | 00         | 1          | 1          |
| col_string | 01         | 0          | 1          |
| col_string | 01         | 1          | 2          |
+------------+------------+------------+------------+

enum_feature_selection_test_input_value_output

+------------+------------+------------+------------+------------+---------------+
| colname    | gini       | entropy    | infogain   | ginigain   | infogainratio |
+------------+------------+------------+------------+------------+---------------+
| col_double | 0.3888888888888889 | 0.792481250360578 | 0.20751874963942196 | 0.1111111111111111 | 0.14221913160264427 |
| col_string | 0.38888888888888884 | 0.792481250360578 | 0.20751874963942196 | 0.11111111111111116 | 0.14221913160264427 |
+------------+------------+------------+------------+------------+---------------+

enum_feature_selection_test_input_enum_value_output

+------------+------------+------------+------------+
| colname    | colvalue   | gini       | entropy    |
+------------+------------+------------+------------+
| col_double | NULL       | 0.0        | 0.0        |
| col_double | 0          | 0.22222222222222224 | 0.4591479170272448 |
| col_double | 1          | 0.16666666666666666 | 0.3333333333333333 |
| col_string | NULL       | 0.0        | 0.0        |
| col_string | 00         | 0.16666666666666666 | 0.3333333333333333 |
| col_string | 01         | 0.2222222222222222 | 0.4591479170272448 |
+------------+------------+------------+------------+