參數伺服器PS(Parameter Server)致力於解決大規模的離線及線上訓練任務,SMART(Scalable Multiple Additive Regression Tree)是GBDT(Gradient Boosting Decision Tree)基於PS實現的迭代演算法。PS-SMART支援百億樣本及幾十萬特徵的訓練任務,可以在上千節點中運行。同時,PS-SMART支援多種資料格式及長條圖近似等最佳化技術。
使用限制
PS-SMART迴歸組件的輸入資料必須滿足以下要求:
PS-SMART迴歸組件的目標列僅支援數實值型別。如果MaxCompute表資料是STRING類型,則需要進行類型轉換。
如果資料是KV格式,則特徵ID必須為正整數,特徵值必須為實數。如果特徵ID為字串類型,則需要使用序列化組件進行序列化。如果特徵值為類型字串,需要進行特徵離散化等特徵工程處理。
雖然PS-SMART迴歸組件支援數十萬特徵任務,但是消耗資源大且運行速度慢,可以使用GBDT類演算法進行訓練。GBDT類演算法適合直接使用連續特徵進行訓練,除需要對類別特徵進行One-Hot編碼(篩除低頻特徵)外,不建議對其他連續型數值特徵進行離散化。
PS-SMART演算法會引入隨機性。例如,data_sample_ratio及fea_sample_ratio表示的資料和特徵採樣、演算法使用的長條圖近似最佳化及局部Sketch歸併為全域Sketch的順序隨機性。雖然多個Worker分布式執行時,樹結構不同,但是從理論上可以保證模型效果相近。如果您在訓練過程中,使用相同資料和參數,多次得到的結果不一致,屬於正常現象。
如果需要加速訓練,可以增大計算核心數。因為PS-SMART演算法需要所有伺服器獲得資源後,才能開始訓練,所以叢集忙碌時,申請較多資源會增加等待時間。
注意事項
使用PS-SMART迴歸組件時,您需要注意以下事宜:
雖然PS-SMART迴歸組件支援數十萬特徵任務,但是消耗資源大且運行速度慢,可以使用GBDT類演算法進行訓練。GBDT類演算法適合直接使用連續特徵進行訓練,除需要對類別特徵進行One-Hot編碼(篩除低頻特徵)外,不建議對其他連續型數值特徵進行離散化。
PS-SMART演算法會引入隨機性。例如,data_sample_ratio及fea_sample_ratio表示的資料和特徵採樣、演算法使用的長條圖近似最佳化及局部Sketch歸併為全域Sketch的順序隨機性。雖然多個Worker分布式執行時,樹結構不同,但是從理論上可以保證模型效果相近。如果您在訓練過程中,使用相同資料和參數,多次得到的結果不一致,屬於正常現象。
如果需要加速訓練,可以增大計算核心數。因為PS-SMART演算法需要所有伺服器獲得資源後,才能開始訓練,所以叢集忙碌時,申請較多資源會增加等待時間。
組件配置
您可以使用以下任意一種方式,配置PS-SMART迴歸組件參數。
方式一:可視化方式
在Designer工作流程頁面配置組件參數。
頁簽 | 參數 | 描述 |
欄位設定 | 是否稀疏格式 | 稀疏格式的KV之間使用空格分隔,key與value之間使用半形冒號(:)分隔。例如1:0.3 3:0.9。 |
選擇特徵列 | 輸入表中,用於訓練的特徵列。如果輸入資料是Dense格式,則只能選擇數值(BIGINT或DOUBLE)類型。如果輸入資料是Sparse KV格式,且key和value是數實值型別,則只能選擇STRING類型。 | |
選擇標籤列 | 輸入表的標籤列,支援STRING及數實值型別。如果是內部儲存,則僅支援數實值型別。例如二分類中的0和1。 | |
選擇權重列 | 列可以對每行樣本進行加權,支援數實值型別。 | |
參數設定 | 目標函數類型 | 支援以下類型:
|
Tweedie分布指數 | 僅目標函數類型選擇Tweedie regression時,支援配置該參數。表示Tweedie分布的方差和均值關係指數。 | |
評估指標類型 | 支援以下類型:
| |
樹數量 | 需要配置為樹數量,正整數,樹數量和訓練時間成正比。 | |
樹最大深度 | 預設值為5,即最多32個葉子節點。 | |
資料採樣比例 | 構建每棵樹時,採樣部分資料進行學習,構建弱學習器,從而加快訓練。 | |
特徵採樣比例 | 構建每棵樹時,採樣部分特徵進行學習,構建弱學習器,從而加快訓練。 | |
L1懲罰項係數 | 控制葉子節點大小。該參數值越大,葉子節點規模分布越均勻。如果過擬合,則增大該參數值。 | |
L2懲罰項係數 | 控制葉子節點大小。該參數值越大,葉子節點規模分布越均勻。如果過擬合,則增大該參數值。 | |
學習速率 | 取值範圍為(0,1)。 | |
近似Sketch精度 | 構造Sketch的切割分位點閾值。該參數值越小,獲得的桶越多。一般使用預設值0.03,無需手動設定。 | |
最小分裂損失變化 | 分裂節點所需要的最小損失變化。該參數值越大,分裂越保守。 | |
特徵數量 | 特徵數量或最大特徵ID。如果估計使用資源時,未配置該參數,則系統會啟動SQL任務自動計算。 | |
全域偏置項 | 所有樣本的初始預測值。 | |
隨機數產生器種子 | 隨機數種子,整型。 | |
特徵重要性類型 | 支援以下類型:
| |
執行調優 | 核心數 | 預設為系統自動分配。 |
每個核的記憶體大小 | 單個核心使用的記憶體,單位為MB。通常無需手動設定,系統會自動分配。 |
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。
#訓練。
PAI -name ps_smart
-project algo_public
-DinputTableName="smart_regression_input"
-DmodelName="xlab_m_pai_ps_smart_bi_545859_v0"
-DoutputTableName="pai_temp_24515_545859_2"
-DoutputImportanceTableName="pai_temp_24515_545859_3"
-DlabelColName="label"
-DfeatureColNames="features"
-DenableSparse="true"
-Dobjective="reg:linear"
-Dmetric="rmse"
-DfeatureImportanceType="gain"
-DtreeCount="5"
-DmaxDepth="5"
-Dshrinkage="0.3"
-Dl2="1.0"
-Dl1="0"
-Dlifecycle="3"
-DsketchEps="0.03"
-DsampleRatio="1.0"
-DfeatureRatio="1.0"
-DbaseScore="0.5"
-DminSplitLoss="0"
#預測。
PAI -name prediction
-project algo_public
-DinputTableName="smart_regression_input";
-DmodelName="xlab_m_pai_ps_smart_bi_545859_v0"
-DoutputTableName="pai_temp_24515_545860_1"
-DfeatureColNames="features"
-DappendColNames="label,features"
-DenableSparse="true"
-Dlifecycle="28"
模組 | 參數 | 是否必選 | 描述 | 預設值 |
資料參數 | featureColNames | 是 | 輸入表中,用於訓練的特徵列。如果輸入表是Dense格式,則只能選擇數值(BIGINT或DOUBLE)類型。如果輸入表是Sparse KV格式,且KV格式中key和value是數實值型別,則只能選擇STRING類型。 | 無 |
labelColName | 是 | 輸入表的標籤列,支援STRING及數實值型別。如果是內部儲存,則僅支援數實值型別。例如二分類中的0和1。 | 無 | |
weightCol | 否 | 列可以對每行樣本進行加權,支援數實值型別。 | 無 | |
enableSparse | 否 | 是否為稀疏格式,取值範圍為{true,false}。稀疏格式的KV之間使用空格分隔,key與value之間使用半形冒號(:)分隔。例如1:0.3 3:0.9。 | false | |
inputTableName | 是 | 輸入表的名稱。 | 無 | |
modelName | 是 | 輸出的模型名稱。 | 無 | |
outputImportanceTableName | 否 | 輸出特徵重要性的表名。 | 無 | |
inputTablePartitions | 否 | 格式為ds=1/pt=1。 | 無 | |
outputTableName | 否 | 輸出至MaxCompute的表,二進位格式。 | 無 | |
lifecycle | 否 | 輸出表的生命週期,單位為天。 | 3 | |
演算法參數 | objective | 是 | 目標函數類型。支援以下類型:
| reg:linear |
metric | 否 | 訓練集的評估指標類型,輸出在logview檔案coordinator地區的stdout。支援以下類型:
| 無 | |
treeCount | 否 | 樹數量,與訓練時間成正比。 | 1 | |
maxDepth | 否 | 樹的最大深度,取值範圍為1~20。 | 5 | |
sampleRatio | 否 | 資料採樣比例,取值範圍為(0,1]。如果取值為1.0,則表示不採樣。 | 1.0 | |
featureRatio | 否 | 特徵採樣比例,取值範圍為(0,1]。如果取值為1.0,則表示不採樣。 | 1.0 | |
l1 | 否 | L1懲罰項係數。該參數值越大,葉子節點分布越均勻。如果過擬合,則增大該參數值。 | 0 | |
l2 | 否 | L2懲罰項係數。該參數值越大,葉子節點分布越均勻。如果過擬合,則增大該參數值。 | 1.0 | |
shrinkage | 否 | 學習速率,取值範圍為(0,1)。 | 0.3 | |
sketchEps | 否 | 構造Sketch的切割分位點閾值,桶數為O(1.0/sketchEps)。該參數值越小,獲得的桶越多。一般使用預設值,無需手動設定。取值範圍為(0,1)。 | 0.03 | |
minSplitLoss | 否 | 分裂節點所需要的最小損失變化。該參數值越大,分裂越保守。 | 0 | |
featureNum | 否 | 特徵數量或最大特徵ID。如果估計使用資源時,未配置該參數,則系統會啟動SQL任務自動計算。 | 無 | |
baseScore | 否 | 所有樣本的初始預測值。 | 0.5 | |
randSeed | 否 | 隨機數種子,整型。 | 無 | |
featureImportanceType | 否 | 計算特徵重要性的類型,包括:
| gain | |
tweedieVarPower | 否 | Tweedie分布的方差和均值關係指數。 | 1.5 | |
調優參數 | coreNum | 否 | 核心數量,該參數值越大,演算法運行越快。 | 系統自動分配 |
memSizePerCore | 否 | 每個核心使用的記憶體,單位為MB。 | 系統自動分配 |
樣本
使用ODPS SQL節點執行如下SQL語句,產生輸入資料(以KV格式資料為例)。
drop table if exists smart_regression_input; create table smart_regression_input as select * from ( select 2.0 as label, '1:0.55 2:-0.15 3:0.82 4:-0.99 5:0.17' as features union all select 1.0 as label, '1:-1.26 2:1.36 3:-0.13 4:-2.82 5:-0.41' as features union all select 1.0 as label, '1:-0.77 2:0.91 3:-0.23 4:-4.46 5:0.91' as features union all select 2.0 as label, '1:0.86 2:-0.22 3:-0.46 4:0.08 5:-0.60' as features union all select 1.0 as label, '1:-0.76 2:0.89 3:1.02 4:-0.78 5:-0.86' as features union all select 1.0 as label, '1:2.22 2:-0.46 3:0.49 4:0.31 5:-1.84' as features union all select 0.0 as label, '1:-1.21 2:0.09 3:0.23 4:2.04 5:0.30' as features union all select 1.0 as label, '1:2.17 2:-0.45 3:-1.22 4:-0.48 5:-1.41' as features union all select 0.0 as label, '1:-0.40 2:0.63 3:0.56 4:0.74 5:-1.44' as features union all select 1.0 as label, '1:0.17 2:0.49 3:-1.50 4:-2.20 5:-0.35' as features ) tmp;
產生的資料如下。
構建如下工作流程,並運行組件,詳情請參見演算法建模。
在Designer左側組件列表中,分別搜尋讀資料表組件、PS-SMART迴歸組件、預測組件、寫資料表組件,並拖入右側畫布中。
配置組件參數。
在畫布中單擊讀資料表-1組件,在右側表選擇頁簽,配置表名為smart_regression_input。
在畫布中單擊PS-SMART迴歸-1組件,在右側配置如下表中的參數,其餘參數使用預設值。
頁簽
參數
描述
欄位設定
是否稀疏格式
選中是否稀疏格式複選框。
特徵列
選擇features列。
標籤列
選擇label列。
參數設定
目標函數類別
配置為Linear regression。
評估指標類型
選擇rooted mean square error。
樹數量
配置為5。
在畫布中單擊預測-1組件,在右側配置如下表中的參數,其餘參數使用預設值。
頁簽
參數
描述
欄位設定
特徵列
預設全選,多餘列不影響預測結果。
原樣輸出資料行
選擇為label列。
疏鬆陣列
選中疏鬆陣列複選框。
key與value分隔字元
配置為半形冒號(:)。
kv對間的分隔字元
配置為空白格。
在畫布中單擊寫資料表-1組件,在右側表選擇頁簽,配置寫入表表名為smart_regression_output。
參數配置完成後,單擊運行按鈕,運行工作流程。
按右鍵預測-1組件,在捷徑功能表中,選擇
,查看預測結果。按右鍵PS-SMART迴歸-1組件,在捷徑功能表,選擇
,查看特徵重要性。其中id列表示傳入的特徵序號。因為該樣本的輸入資料是KV格式,所以id列表示KV對中的key。該特性重要性表中僅有2個特性,表示樹在分裂過程中僅使用了這兩個特性,可以認為其他特性的特徵重要性為0。value列表示特徵重要性類型,預設為gain,即該特徵對模型帶來的資訊增益之和。
PS-SMART模型部署說明
如果您需要將PS-SMART組件產生的模型部署為線上服務,您需要在該組件的下遊接入通用模型匯出組件,並按照PS系列組件的使用方式配置組件參數,詳情請參見通用模型匯出。
組件運行成功後,您可以前往PAI EAS模型線上服務頁面,部署模型服務,詳情請參見服務部署:控制台。
相關文檔
關於Designer組件更詳細的內容介紹,請參見Designer概述。
Designer預置了多種演算法組件,你可以根據不同的使用情境選擇合適的組件進行資料處理,詳情請參見組件參考:所有組件匯總。