文档

离散值特征分析

更新时间:

本文为您介绍Designer提供的离散值特征分析。

离散值特征分析统计离散特征的分布情况。包括gini,entropy,gini gain,information gain,information gain ratio等指标。计算每个离散值对应的gini,entropy,计算单列对应的gini gain,information gain,information gain ratio。

  • gini index:index

  • entropy:entropy

组件配置

您可以使用以下任意一种方式,配置离散值特征分析组件参数。

方式一:可视化方式

Designer工作流页面配置组件参数。

参数

描述

特征列

用来表现训练样本数据特征的列。

标签列

标签字段。

稀疏矩阵

当输入表数据为稀疏格式时,需要设置KV格式的特征。

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 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;

参数名称

是否必选

描述

默认值

inputTableName

输入表的名称。

inputTablePartitions

输入表中,参与训练的分区。系统支持以下格式:

  • Partition_name=value

  • name1=value1/name2=value2:多级分区

说明

指定多个分区时,分区之间使用英文逗号(,)分隔。

默认选择全表

featureColNames

输入表中,用于训练的特征列名。

labelColName

输入表中,标签列的名称。

enableSparse

输入数据是否为稀疏格式,取值范围为{true,false}

false

kvFeatureColNames

KV格式的特征。

默认选择全表

kvDelimiter

当输入表数据为稀疏格式时,keyvalue之间的分隔符。

英文冒号(:)

itemDelimiter

当输入表数据为稀疏格式时,KV对之间的分隔符。

英文逗号(,)

outputCntTableName

输出离散特征的枚举值分布数表。

不涉及

outputValueTableName

输出离散特征的gini、entropy表。

不涉及

outputEnumValueTableName

输出离散特征枚举值gini、entropy表。

不涉及

lifecycle

表的生命周期。

coreNum

计算的核心数,取值范围为正整数。

系统自动分配

memSizePerCore

每个核心的内存,取值范围为1 MB~65536 MB。

系统自动分配

示例

使用如下SQL语句,生成输入数据。

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;

输入数据如下所示。

+------------+------------+------------+
| 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

  • 运行命令

    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";
  • 运行结果

    • 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 |
      +------------+------------+------------+------------+