计算线性模型的特征重要性，包括线性回归和二分类逻辑回归，支持稀疏和稠密数据格式。

组件配置

您可以使用以下任意一种方式，配置线性模型特征重要性组件参数。

方式一：可视化方式

在PAI-Designer（原PAI-Studio）工作流页面配置组件参数。
页签参数描述
字段设置选择特征列输入表中，用于训练的特征列。默认选中除Label外的所有列，为可选项。
选择目标列该参数为必选项。

单击目录图标，在选择字段对话框中，输入关键字搜索列，选中后单击确定。

输入表数据是否为稀疏格式可选项。
执行调优计算核心数计算的核心数，可选。
每个核内存大小每个核的内存大小，单位为MB，可选。

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 regression_feature_importance -project algo_public
    -DmodelName=xlab_m_logisticregressi_20317_v0
    -DoutputTableName=pai_temp_2252_20321_1
    -DlabelColName=y
    -DfeatureColNames=pdays,previous,emp_var_rate,cons_price_idx,cons_conf_idx,euribor3m,nr_employed,age,campaign
    -DenableSparse=false -DinputTableName=pai_dense_10_9;
参数是否必选描述默认值
inputTableName是输入表的表名。无
outputTableName是输出表的表名。无
labelColName是输入表的标签列名。无
modelName是输入的模型名称。无
featureColNames否输入表选择的特征列。除Label外的所有列
inputTablePartitions否输入表选择的分区名称。选择全表
enableSparse否输入表是否为稀疏格式。false
itemDelimiter否当输入表数据为稀疏格式时，KV对之间的分隔符。空格
kvDelimiter否当输入表数据为稀疏格式时，Key和Value之间的分隔符。英文冒号（:）
lifecycle否输出表的生命周期。不设置
coreNum否核心数。自动计算
memSizePerCore否内存数。自动计算

示例

  1. 使用SQL语句，生成训练数据。
    create table if not exists pai_dense_10_9 as
select
    age,campaign,pdays, previous, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m, nr_employed, y
from  bank_data limit 10;
  2. 构建如下实验，详情请参见算法建模。
    y为逻辑回归多分类组件的标签列，其它字段为特征列，其它参数使用默认值。建模
  3. 运行实验，查看预测结果。预测结果
    指标计算公式如下。
    列名公式
    weightabs(w_)
    importanceabs(w_j) * STD(f_i)
    说明 表示特征系数的绝对值 * 训练数据的标准差。
  4. 运行完成后，右键单击线性模型特征重要性组件，选择查看分析报告，查看结果。结果