GBDT回归 - 人工智能平台 PAI

梯度渐进回归树GBDT（Gradient Boosting Decision Tree）是一种迭代决策树算法，适用于线性及非线性回归场景。

组件配置

您可以使用以下任意一种方式，配置GBDT回归组件参数。

方式一：可视化方式

在Designer工作流页面配置组件参数。

页签	参数	描述
字段设置	输入列	输入数据源中，参与训练的特征列。支持DOUBLE及BIGINT类型。说明特征列数量不能超过800。
	标签列	支持DOUBLE及BIGINT类型。
	分组列	支持DOUBLE及BIGINT类型，默认将全表作为一组。
参数设置	损失函数类型	支持gbrank loss、lambdamart dcg loss、lambdamart ndcg loss及regression loss类型。
	gbrank loss中的Tau参数	取值范围为[0,1]。
	gbrank与regression loss中的指数底数	取值范围为[1,10]。
	metric类型	支持NDCG及DCG类型。
	树数量	取值范围为1~10000。
	学习速率	取值范围为(0,1)。
	最大叶子数	取值范围为1~1000。
	一棵树的最大深度	取值范围为1~100。
	叶子节点容纳的最少样本数	取值范围为1~1000。
	样本采样比例	取值范围为(0,1)。
	训练中采集的特征比例	取值范围为(0,1)。
	测试样本数比例	取值范围为[0,1)。
	随机数产生器种子	取值范围为[0,10]。
	是否使用newton方法来学习	使用Newton方法的开关。
	一个特征分裂的最大数量	取值范围为1~1000。
执行调优	计算核心数	系统根据输入数据量，自动分配训练的实例数量。
执行调优	每个核内存	系统根据输入数据量，自动分配内存。单位为MB。

方式二：PAI命令方式

使用PAI命令方式，配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用，详情请参见SQL脚本。

PAI -name gbdt
    -project algo_public
    -DfeatureSplitValueMaxSize="500"
    -DlossType="0"
    -DrandSeed="0"
    -DnewtonStep="0"
    -Dshrinkage="0.05"
    -DmaxLeafCount="32"
    -DlabelColName="campaign"
    -DinputTableName="bank_data_partition"
    -DminLeafSampleCount="500"
    -DsampleRatio="0.6"
    -DgroupIDColName="age"
    -DmaxDepth="11"
    -DmodelName="xlab_m_GBDT_83602"
    -DmetricType="2"
    -DfeatureRatio="0.6"
    -DinputTablePartitions="pt=20150501"
    -Dtau="0.6"
    -Dp="1"
    -DtestRatio="0.0"
    -DfeatureColNames="previous,cons_conf_idx,euribor3m"
    -DtreeCount="500"

参数	是否必选	描述	默认值
inputTableName	是	输入表的名称。	无
featureColNames	否	输入表中，用于训练的特征列名。支持DOUBLE及BIGINT类型。	所有数值列
labelColName	是	输入表中的标签列名，支持DOUBLE及BIGINT类型。	无
inputTablePartitions	否	输入表中，参与训练的分区。支持的格式包括： Partition_name=value name1=value1/name2=value2：多级分区说明如果指定多个分区，则使用英文逗号（,）分隔。	所有分区
modelName	是	输出的模型名称。	无
outputImportanceTableName	否	输出特征重要性的表名。	无
groupIDColName	否	数据分组列。	全表
lossType	否	损失函数包括以下类型： 0：GBRANK 1：LAMBDAMART_DCG 2：LAMBDAMART_NDCG 3：LEAST_SQUARE	0
metricType	否	包括以下类型： 0：NDCG（Normalized Discounted Cumulative Gain） 1：DCG（Discounted Cumulative Gain） 2：AUC，仅适用于label取值为0/1的场景（弃用）	0
treeCount	否	树数量，取值范围为1~10000。	500
shrinkage	否	学习速率，取值范围为(0,1)。	0.05
maxLeafCount	否	最大叶子数，取值范围为1~1000。	32
maxDepth	否	树的最大深度，取值范围为1~100。	10
minLeafSampleCount	否	叶子节点容纳的最少样本数，取值范围为1~1000。	500
sampleRatio	否	训练采集的样本比例，取值范围为(0,1)。	0.6
featureRatio	否	训练采集的特征比例，取值范围为(0,1)。	0.6
tau	否	GBRank Loss中的Tau参数，取值范围为[0,1]。	0.6
p	否	GBRank Loss中的p参数，取值范围为[1,10]。	1
randSeed	否	随机数种子，取值范围为[0,10]。	0
newtonStep	否	使用Newton迭代法的开关，取值范围为{0,1}。	1
featureSplitValueMaxSize	否	特征分裂的最大数量，取值范围为1~1000。	500
lifecycle	否	输出表的生命周期。	无

示例

使用SQL语句，生成测试数据。

drop table if exists gbdt_ls_test_input;
create table gbdt_ls_test_input
as
select
    *
from
(
    select
        cast(1 as double) as f0,
        cast(0 as double) as f1,
        cast(0 as double) as f2,
        cast(0 as double) as f3,
        cast(0 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(1 as double) as f1,
            cast(0 as double) as f2,
            cast(0 as double) as f3,
            cast(0 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(0 as double) as f1,
            cast(1 as double) as f2,
            cast(0 as double) as f3,
            cast(1 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(0 as double) as f1,
            cast(0 as double) as f2,
            cast(1 as double) as f3,
            cast(1 as bigint) as label
    union all
        select
            cast(1 as double) as f0,
            cast(0 as double) as f1,
            cast(0 as double) as f2,
            cast(0 as double) as f3,
            cast(0 as bigint) as label
    union all
        select
            cast(0 as double) as f0,
            cast(1 as double) as f1,
            cast(0 as double) as f2,
            cast(0 as double) as f3,
            cast(0 as bigint) as label
) a;

生成的测试数据表gbdt_ls_test_input如下。

f0	f1	f2	f3	label
1.0	0.0	0.0	0.0	0
0.0	0.0	1.0	0.0	1
0.0	0.0	0.0	1.0	1
0.0	1.0	0.0	0.0	0
1.0	0.0	0.0	0.0	0
0.0	1.0	0.0	0.0	0

使用PAI命令，提交GBDT回归组件的训练参数。

drop offlinemodel if exists gbdt_ls_test_model;
PAI -name gbdt
    -project algo_public
    -DfeatureSplitValueMaxSize="500"
    -DlossType="3"
    -DrandSeed="0"
    -DnewtonStep="1"
    -Dshrinkage="0.5"
    -DmaxLeafCount="32"
    -DlabelColName="label"
    -DinputTableName="gbdt_ls_test_input"
    -DminLeafSampleCount="1"
    -DsampleRatio="1"
    -DmaxDepth="10"
    -DmetricType="0"
    -DmodelName="gbdt_ls_test_model"
    -DfeatureRatio="1"
    -Dp="1"
    -Dtau="0.6"
    -DtestRatio="0"
    -DfeatureColNames="f0,f1,f2,f3"
    -DtreeCount="10"

使用PAI命令，提交预测组件参数。

drop table if exists gbdt_ls_test_prediction_result;
PAI -name prediction
    -project algo_public
    -DdetailColName="prediction_detail"
    -DmodelName="gbdt_ls_test_model"
    -DitemDelimiter=","
    -DresultColName="prediction_result"
    -Dlifecycle="28"
    -DoutputTableName="gbdt_ls_test_prediction_result"
    -DscoreColName="prediction_score"
    -DkvDelimiter=":"
    -DinputTableName="gbdt_ls_test_input"
    -DenableSparse="false"
    -DappendColNames="label"

查看预测结果表gbdt_ls_test_prediction_result。

label	prediction_result	prediction_score	prediction_detail
0	NULL	0.0	{“label”: 0}
0	NULL	0.0	{“label”: 0}
1	NULL	0.9990234375	{“label”: 0.9990234375}
1	NULL	0.9990234375	{“label”: 0.9990234375}
0	NULL	0.0	{“label”: 0}
0	NULL	0.0	{“label”: 0}