线性模型特征重要性

使用限制

支持的计算引擎为MaxCompute。

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

方式二：PAI命令方式

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;

示例

1. 创建bank_data表，并导入表数据。具体操作，请参见创建表和导入数据。

2. 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, fixed_deposit
   from  bank_data limit 10;

3. 构建如下工作流，并运行组件，详情请参见算法建模。连线方式：将 读数据表-1 的输出分别连接到 逻辑回归多分类 和 线性模型特征重要性 的输入，再将 逻辑回归多分类 的输出连接到 线性模型特征重要性 的输入。

   1. 在Designer左侧组件列表中，分别搜索读数据表组件、逻辑回归多分类组件、线性模型特征重要性组件，并拖入右侧画布中。

   2. 通过连线的方式，将各个节点组织构建成为一个有上下游关系的工作流。

   3. 配置组件参数。

      • 在画布中单击读数据表-1组件，在右侧表选择页签，配置表名为bank_data。

      • 在画布中单击逻辑回归多分类-1组件，在右侧字段设置页签，选择训练特征列为age、campaign、pdays、previous、emp_var_rate、cons_price_idx、cons_conf_idx、euribor3m和nr_employed。选择目标列为fixed_deposit。其余参数使用默认值。

      • 在画布中单击线性模型特征重要性-1组件，在右侧字段设置页签，将选择目标列配置为fixed_deposit。其余参数使用默认值。

   4. 参数配置完成后，单击运行按钮，运行工作流。

4. 工作流运行成功后，右键单击线性模型特征重要性-1组件，在快捷菜单，选择查看数据 > 模型重要性表。运行完成后，线性模型特征重要性组件的输出结果以表格形式展示各特征的 colname、weight 和 importance 值，数值以科学计数法格式呈现（如 age 的 weight 为 9.61816270808075E-5）。

   指标计算公式如下。

   列名	公式
   weight	abs(w_)
   importance	abs(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。

5. 右键单击线性模型特征重要性-1组件，在快捷菜单，单击可视化分析，查看可视化分析结果。