GBDT二分类_人工智能平台 PAI-阿里云帮助中心

GBDT（Gradient Boosting Decision Tree）二分类算法的原理是设置阈值，如果特征值大于阈值，则为正例，反之为负例。

组件配置

您可以使用以下任意一种方式，配置GBDT二分类组件参数。

方式一：可视化方式

在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。
	选择标签列	仅支持BIGINT类型。
	选择分组列	支持DOUBLE及BIGINT类型，默认将全表作为一组。
参数设置	metric类型	支持NDCG及DCG类型。
	树的数目	取值范围为1~10000。
	学习速率	取值范围为(0,1)。
	训练采集样本比例	取值范围为(0,1]。
	训练采集特征比例	取值范围为(0,1]。
	最大叶子数	取值范围为1~1000。
	测试数据比例	取值范围为[0,1)。
	树最大深度	取值范围为1~100。
	叶子点最少样本数	取值范围为1~1000。
	随机数产生器种子	取值范围为[0,10]。
	一个特征分裂的最大数量	取值范围为1~1000。
执行调优	核数目	系统根据输入数据量，自动分配训练的实例数量。
执行调优	内存	系统根据输入数据量，自动分配内存。取值范围为1024 MB~64*1024 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_lr
    -project algo_public
    -DfeatureSplitValueMaxSize="500"
    -DrandSeed="0"
    -Dshrinkage="0.5"
    -DmaxLeafCount="32"
    -DlabelColName="y"
    -DinputTableName="bank_data_partition"
    -DminLeafSampleCount="500"
    -DgroupIDColName="nr_employed"
    -DsampleRatio="0.6"
    -DmaxDepth="11"
    -DmodelName="xlab_m_GBDT_LR_21208"
    -DmetricType="2"
    -DfeatureRatio="0.6"
    -DinputTablePartitions="pt=20150501"
    -DtestRatio="0.0"
    -DfeatureColNames="age,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。	所有数值列
labelColName	是	输入表中的标签列名。	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	损失函数类型为：4：LOG_LIKELIHOOD。	4
metricType	否	Metric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，单位为天。	无

说明

GBDT与GBDT_LR默认的损失函数类型不同。因为GBDT默认为regression loss:mean squared error loss，GBDT_LR默认为logistic regression loss，所以GBDT_LR无需手动配置损失函数，系统会自动配置损失函数。
GBDT的特征列、标签列及分组列仅支持数值类型。
连接ROC曲线时，预测组件需要选择目标基准值。

示例

使用SQL语句，生成训练数据。

drop table if exists gbdt_lr_test_input;
create table gbdt_lr_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
    from dual
    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
    from dual
    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
    from dual
    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
    from dual
    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
    from dual
    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
    from dual
) a;

生成的训练数据表gbdt_lr_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二分类组件的训练参数。

drop offlinemodel if exists gbdt_lr_test_model;
PAI -name gbdt_lr
    -project algo_public
    -DfeatureSplitValueMaxSize="500"
    -DrandSeed="1"
    -Dshrinkage="1"
    -DmaxLeafCount="30"
    -DlabelColName="label"
    -DinputTableName="gbdt_lr_test_input"
    -DminLeafSampleCount="1"
    -DsampleRatio="1"
    -DmaxDepth="10"
    -DmodelName="gbdt_lr_test_model"
    -DmetricType="0"
    -DfeatureRatio="1"
    -DtestRatio="0"
    -DfeatureColNames="f0,f1,f2,f3"
    -DtreeCount="5"

使用PAI命令，提交预测组件参数。

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

查看预测结果表gbdt_lr_test_prediction_result。

label	prediction_result	prediction_score	prediction_detail
0	0	0.9984308925552831	{“0”: 0.9984308925552831, “1”: 0.001569107444716943}
0	0	0.9984308925552831	{“0”: 0.9984308925552831, “1”: 0.001569107444716943}
1	1	0.9982721832240973	{“0”: 0.001727816775902724, “1”: 0.9982721832240973}
1	1	0.9982721832240973	{“0”: 0.001727816775902724, “1”: 0.9982721832240973}
0	0	0.9984308925552831	{“0”: 0.9984308925552831, “1”: 0.001569107444716943}
0	0	0.9984308925552831	{“0”: 0.9984308925552831, “1”: 0.001569107444716943}