精品视频在线观自拍自拍,国产真人无码作爱免费视频,东京热加勒比久久综合

隨機森林是一個包括多決策樹的分類器，其分類結果由單棵樹輸出類別的眾數(shù)決定。

組件配置

您可以使用以下任意一種方式，配置隨機森林組件參數(shù)。

方式一：可視化方式

在Designer工作流頁面配置組件參數(shù)。

頁簽	參數(shù)	描述
字段設置	選擇特征列	默認為除標簽列和權重列外的所有列。
	排除列	不參與訓練的列，不能與選擇特征列同時使用。
	強制轉(zhuǎn)換列	解析規(guī)則如下： STRING、BOOLEAN及DATETIME類型的列，解析為離散類型。 DOUBLE和BIGINT類型的列，解析為連續(xù)類型。說明如果需要將BIGINT類型的列解析為CATEGORICAL，則必須使用forceCategorical參數(shù)指定類型。
	權重列的列名	列可以對每行樣本進行加權，支持數(shù)值類型。
	標簽列	輸入表的標簽列，支持STRING及數(shù)值類型。
參數(shù)設置	森林中樹的個數(shù)	取值范圍為1~1000。
	單顆樹的算法在森林中的位置	如果有N棵樹，且algorithmTypes=[a,b]，則： [0,a)為ID3算法。 [a,b)為CART算法。 [b,n]為C4.5算法。例如，在一個擁有5棵樹的森林中，如果[2,4]表示0，則1為ID3算法，2,3為CART算法，4為C4.5算法。如果輸入None，則算法在森林中均分。
	單棵樹隨機特征數(shù)	取值范圍為[1,N]，N表示Feature數(shù)量。
	葉節(jié)點數(shù)據(jù)的最小個數(shù)	取值范圍為正整數(shù)，默認值為2。
	葉節(jié)點數(shù)據(jù)個數(shù)占父節(jié)點的最小比例	取值范圍為[0,1]，默認值為0。
	單顆樹的最大深度	取值范圍為[1,+∞)，默認值為無窮。
	單顆樹輸入的隨機數(shù)據(jù)個數(shù)	取值范圍為(1000,1000000]，默認值為100000。

方式二：PAI命令方式

使用PAI命令方式，配置該組件參數(shù)。您可以使用SQL腳本組件進行PAI命令調(diào)用，詳情請參見SQL腳本。

 PAI -name randomforests
     -project algo_public
     -DinputTableName="pai_rf_test_input"
     -DmodelName="pai_rf_test_model"
     -DforceCategorical="f1"
     -DlabelColName="class"
     -DfeatureColNames="f0,f1"
     -DmaxRecordSize="100000"
     -DminNumPer="0"
     -DminNumObj="2"
     -DtreeNum="3";

參數(shù)	是否必選	描述	默認值
inputTableName	是	輸入表。	無
inputTablePartitions	否	輸入表中，參與訓練的分區(qū)。支持以下格式： Partition_name=value name1=value1/name2=value2：多級格式說明如果指定多個分區(qū)，則使用英文逗號（,）分隔。	所有分區(qū)
labelColName	是	輸入表中，標簽列的列名。	無
modelName	是	輸出的模型名。	無
treeNum	是	森林中樹的數(shù)量，取值范圍為1~1000。	100
excludedColNames	否	不參與訓練的列，不能與featureColNames同時使用。	空
weightColName	否	輸入表中的權重列名。	無
featureColNames	否	輸入表中，用于訓練的特征列名。	除labelColName與weightColName外的所有列
forceCategorical	否	解析規(guī)則如下： STRING、BOOLEAN及DATETIME類型的列，解析為離散類型。 DOUBLE和BIGINT類型的列，解析為連續(xù)類型。說明如果需要將BIGINT類型的列解析為CATEGORICAL，則必須使用forceCategorical參數(shù)指定類型。	INT為連續(xù)類型
algorithmTypes	否	單棵樹的算法在森林中的位置。如果有N棵樹，且algorithmTypes=[a,b]，則： [0,a)為ID3算法。 [a,b)為CART算法。 [b,n]為C4.5算法。例如，在一個擁有5棵樹的森林中，[2,4]表示0，則1為ID3算法，2,3為CART算法，4為C4.5算法。如果輸入None，則算法在森林中均分。	算法在森林中均分
randomColNum	否	生成單棵樹時，每次分裂選擇的隨機特征數(shù)量。取值范圍為[1,N]，N表示Feature數(shù)量。	log ₂N
minNumObj	否	葉節(jié)點數(shù)據(jù)的最小個數(shù)，取值范圍為正整數(shù)。	2
minNumPer	否	葉節(jié)點數(shù)據(jù)個數(shù)占父節(jié)點的最小比例，取值范圍為[0,1]。	0.0
maxTreeDeep	否	單顆樹的最大深度，取值范圍為[1,+∞)。	無窮
maxRecordSize	否	單棵樹輸入的隨機數(shù)據(jù)個數(shù)，取值范圍為(1000,1000000]。	100000

示例

使用SQL語句，生成訓練數(shù)據(jù)。

create table pai_rf_test_input as
select * from
(
  select 1 as f0,2 as f1, "good" as class
  union all
  select 1 as f0,3 as f1, "good" as class
  union all
  select 1 as f0,4 as f1, "bad" as class
  union all
  select 0 as f0,3 as f1, "good" as class
  union all
  select 0 as f0,4 as f1, "bad" as class
)tmp;

使用PAI命令，提交隨機森林算法組件參數(shù)。

PAI -name randomforests
     -project algo_public
     -DinputTableName="pai_rf_test_input"
     -Dmodelname="pai_rf_test_model"
     -DforceCategorical="f1"
     -DlabelColName="class"
     -DfeatureColNames="f0,f1"
     -DmaxRecordSize="100000"
     -DminNumPer="0"
     -DminNumObj="2"
     -DtreeNum="3";

查看模型PMML（Predictive Model Markup Language）。

<?xml version="1.0" encoding="utf-8"?>
<PMML xmlns="http://www.dmg.org/PMML-4_2" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" version="4.2" xsi:schemaLocation="http://www.dmg.org/PMML-4_2 http://www.dmg.org/v4-2/pmml-4-2.xsd">
  <Header copyright="Copyright (c) 2014, Alibaba Inc." description="">
    <Application name="ODPS/PMML" version="0.1.0"/>
    <TimestampTue, 12 Jul 2016 07:04:48 GMT</Timestamp>
  </Header>
  <DataDictionary numberOfFields="2">
    <DataField name="f0" optype="continuous" dataType="integer"/>
    <DataField name="f1" optype="continuous" dataType="integer"/>
    <DataField name="class" optype="categorical" dataType="string">
      <Value value="bad"/>
      <Value value="good"/>
    </DataField>
  </DataDictionary>
  <MiningModel modelName="xlab_m_random_forests_1_75078_v0" functionName="classification" algorithmName="RandomForests"/>
    <MiningSchema>
      <MiningField name="f0" usageType="active"/>
      <MiningField name="f1" usageType="active"/>
      <MiningField name="class" usageType="target"/>
    </MiningSchema>
    <Segmentation multipleModelMethod="majorityVote">
      <Segment id="0">
        <True/>
        <TreeModel modelName="xlab_m_random_forests_1_75078_v0" functionName="classification" algorithmName="RandomForests">
          <MiningSchema>
            <MiningField name="f0" usageType="active"/>
            <MiningField name="f1" usageType="active"/>
            <MiningField name="class" usageType="target"/>
          </MiningSchema>
          <Node id="1">
            <True/>
            <ScoreDistribution value="bad" recordCount="2"/>
            <ScoreDistribution value="good" recordCount="3"/>
            <Node id="2" score="good">
              <SimplePredicate field="f1" operator="equal" value="2"/>
              <ScoreDistribution value="good" recordCount="1"/>
            </Node>
            <Node id="3" score="good">
              <SimplePredicate field="f1" operator="equal" value="3"/>
              <ScoreDistribution value="good" recordCount="2"/>
            </Node>
            <Node id="4" score="bad"
              <SimplePredicate field="f1" operator="equal" value="4"/>
              <ScoreDistribution value="bad" recordCount="2"/>
            </Node>
          </Node>
        </TreeModel>
      </Segment>
      <Segment id="1">
        <True/>
        <TreeModel modelName="xlab_m_random_forests_1_75078_v0" functionName="classification" algorithmName="RandomForests">
          <MiningSchema>
            <MiningField name="f0" usageType="active"/>
            <MiningField name="f1" usageType="active"/>
            <MiningField name="class" usageType="target"/>
          </MiningSchema>
          <Node id="1">
            <True/>
            <ScoreDistribution value="bad" recordCount="2"/>
            <ScoreDistribution value="good" recordCount="3"/>
            <Node id="2" score="good">
              <SimpleSetPredicate field="f1" booleanOperator="isIn">
                <Array n="2" type="integer"2 3</Array>
              </SimpleSetPredicate>
              <ScoreDistribution value="good" recordCount="3"/>
            </Node>
            <Node id="3" score="bad">
              <SimpleSetPredicate field="f1" booleanOperator="isNotIn">
                <Array n="2" type="integer"2 3</Array>
              </SimpleSetPredicate>
              <ScoreDistribution value="bad" recordCount="2"/>
            </Node>
          </Node>
        </TreeModel>
      </Segment>
      <Segment id="2">
        <True/>
        <TreeModel modelName="xlab_m_random_forests_1_75078_v0" functionName="classification" algorithmName="RandomForests">
          <MiningSchema>
            <MiningField name="f0" usageType="active"/>
            <MiningField name="f1" usageType="active"/>
            <MiningField name="class" usageType="target"/>
          </MiningSchema>
          <Node id="1">
            <True/>
            <ScoreDistribution value="bad" recordCount="2"/>
            <ScoreDistribution value="good" recordCount="3"/>
            <Node id="2" score="bad">
              <SimplePredicate field="f0" operator="lessOrEqual" value="0.5"/>
              <ScoreDistribution value="bad" recordCount="1"/>
              <ScoreDistribution value="good" recordCount="1"/>
            </Node>
            <Node id="3" score="good">
              <SimplePredicate field="f0" operator="greaterThan" value="0.5"/>
              <ScoreDistribution value="bad" recordCount="1"/>
              <ScoreDistribution value="good" recordCount="2"/>
            </Node>
          </Node>
        </TreeModel>
      </Segment>
    </Segmentation>
  </MiningModel>
</PMML>

查看模型可視化輸出。

日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

組件配置

方式一：可視化方式

方式二：PAI命令方式

示例