• ftrl训练
    • 功能介绍
    • 参数说明
    • 脚本示例
      • 运行脚本
      • 运行结果

    ftrl训练

    功能介绍

    该组件是一个在线学习的组件，支持在线实时训练模型。

    参数说明

    名称 中文名称 描述 类型 是否必须？ 默认值
    labelCol 标签列名 输入表中的标签列名 String ✓
    vectorCol 向量列名 向量列对应的列名，默认值是null String null
    vectorSize 向量长度 向量的长度 Integer ✓
    featureCols 特征列名数组 特征列名数组，默认全选 String[] null
    withIntercept 是否有常数项 是否有常数项，默认true Boolean true
    timeInterval 时间间隔 数据流流动过程中时间的间隔 Integer 1800
    l1 L1 正则化系数 L1 正则化系数，默认为0。 Double 0.0
    l2 正则化系数 L2 正则化系数，默认为0。 Double 0.0
    alpha 希腊字母：阿尔法 经常用来表示算法特殊的参数 Double 0.1
    beta 希腊字母：贝塔 经常用来表示算法特殊的参数 Double 1.0

    脚本示例

    运行脚本

    1.  data = np.array([
    2.     [2, 1, 1],
    3.     [3, 2, 1],
    4.     [4, 3, 2],
    5.     [2, 4, 1],
    6.     [2, 2, 1],
    7.     [4, 3, 2],
    8.     [1, 2, 1],
    9.     [5, 3, 2]])
    10. df = pd.DataFrame({"f0": data[:, 0], 
    11.                    "f1": data[:, 1],
    12.                    "label": data[:, 2]})
    14. batchData = dataframeToOperator(df, schemaStr='f0 int, f1 int, label int', op_type='batch')
    15. streamData = dataframeToOperator(df, schemaStr='f0 int, f1 int, label int', op_type='stream')
    17. model = LogisticRegressionTrainBatchOp() \
    18.             .setFeatureCols(["f0", "f1"]) \
    19.             .setLabelCol("label") \
    20.             .setMaxIter(5).linkFrom(batchData);
    23. models = FtrlTrainStreamOp(model) \
    24.             .setFeatureCols(["f0", "f1"]) \
    25.             .setLabelCol("label") \
    26.             .setTimeInterval(1) \
    27.             .setAlpha(0.1) \
    28.             .setBeta(0.1) \
    29.             .setL1(0.1) \
    30.             .setL2(0.1).setVectorSize(2).setWithIntercept(True) \
    31.             .linkFrom(streamData);
    33. FtrlPredictStreamOp(model) \
    34.         .setPredictionCol("pred") \
    35.         .setReservedCols(["label"]) \
    36.         .setPredictionDetailCol("details") \
    37.         .linkFrom(models, streamData).print()
    38. StreamOperator.execute()

    运行结果

    1. label    pred    details
    2. 1    1    {"1":"0.9999917437501057","2":"8.2562498943117...
    3. 1    1    {"1":"0.965917838185468","2":"0.03408216181453...
    4. 2    2    {"1":"0.00658782416074899","2":"0.993412175839...
    5. 1    1    {"1":"0.9810760570397847","2":"0.0189239429602...
    6. 1    1    {"1":"0.9998904582473768","2":"1.0954175262323...
    7. 2    2    {"1":"0.00658782416074899","2":"0.993412175839...
    8. 1    1    {"1":"0.9999996598523875","2":"3.4014761252088...
    9. 2    2    {"1":"2.0589409516880153E-5","2":"0.9999794105...