本文为您介绍PAI-Designer(原PAI-Studio)提供的拆分算法。拆分是对数据进行随机拆分,用于生成训练和测试集。

组件配置

您可以使用以下任意一种方式,配置拆分组件参数。

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
参数设置 拆分方式
  • 按比例拆分
  • 按阈值拆分
切分比例 取值范围为(0,1)
随机数种子 系统默认生成。
ID列(ID列相同的不会被拆分) ID列中,内容相同的行数据不会被拆分,会被全量随机分配到输出表1输出表2中。
说明 勾选高级选项时展示,仅支持选择单列。
阈值列 选择某个列名,对该列内容按阈值拆分,不支持String列。
阈值 参考阈值列内容,配置拆分阈值。输出表1中的数据均小于阈值。输出表2中的数据均大于或等于阈值。
重要 您在使用按阈值拆分方式时,请先清空按比例拆分方式配置的切分比例字段内容。
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。
每个核内存数 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 split -project algo_public
    -DinputTableName=wbpc
    -Doutput1TableName=wpbc_split1
    -Doutput2TableName=wpbc_split2
    -Dfraction=0.25;
参数名称 是否必选 参数描述 默认值
inputTableName 输入表的表名。
inputTablePartitions 输入表中,参与训练的分区。支持以下格式:
  • Partition_name=value
  • name1=value1/name2=value2:多级格式
说明 如果指定多个分区,则使用英文逗号(,)分隔。
所有分区
output1TableName 输出结果表1。
output1TablePartition 输出结果表1分区名。 输出表1为非分区表
output2TableName 输出结果表2。
output2TablePartition 输出结果表2分区名。 输出表2为非分区表
fraction 切分至输出表1的数据比例,取值范围为(0,1)
randomSeed 随机数种子,取值范围为正整数。 系统自动分配
idColName ID列(ID相同的数据不会被拆分)
thresholdColName 阈值所在列名,不支持String列。
threshold 阈值。
lifecycle 输出表的生命周期,取值范围为[1,3650]
coreNum 核心数量。 系统自动分配
memSizePerCore 每个核心的内存(单位是兆),取值范围为(1, 65536) 系统自动分配