文档首页/ AI开发平台ModelArts/ 开发环境/ ML Studio/ 预置算子说明/ 模型工程/ 分类/ 线性支持向量机分类
更新时间：2023-05-05 GMT+08:00
查看PDF
分享

线性支持向量机分类

概述

“支持向量机分类”节点构造一个线性支持向量机模型，支持二分类和多分类。该节点采用Trust Region Newton Method（TRON）算法优化L2-SVM模型，更适用于大规模数据的建模，模型训练效率更高。

算法实现方式的简介如下：

  • 二分类

    给定训练集，惩罚系数，通过TRON优化方法求解以下非约束优化问题，得出权值向量和偏置量：

    并通过以下决策函数对新样本预测出类别标签。

  • 多分类

    通过one-vs-the-rest策略实现多分类任务。训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，转化为k个二分类问题，构造出了k个二分类SVM分类器。分类时将未知样本分类为具有最大分类函数值的那一类。

输入

参数

子参数

参数说明

inputs

dataframe

inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

输出

spark pipeline类型的模型

参数说明

参数

子参数

参数说明

b_use_default_encoder

-

是否使用默认编码，默认为True

input_features_str

-

输入的列名以逗号分隔组成的字符串，例如：

"column_a"

"column_a,column_b"

label_col

-

目标列

classifier_label_index_col

-

目标列经过标签编码后的新的列名，默认为"label_index"

classifier_feature_vector_col

-

算子输入的特征向量列的列名，默认为"model_features"

prediction_index_col

-

算子输出的预测label对应的标签列，默认为"prediction_index"

prediction_col

-

算子输出的预测label的列名，默认为"prediction"

max_iter

-

最大迭代次数，默认为100

reg_param

-

正则化系数，默认为0.0

tol

-

收敛阈值，默认为1e-6

fit_intercept

-

默认为True

standardization

-

训练模型之前是否对训练特征标准化，默认为True

aggregation_depth

-

聚合时的深度，默认为2

样例

inputs = {
    "dataframe": None  # @input {"label":"dataframe","type":"DataFrame"}
}
params = {
    "inputs": inputs,
    "b_output_action": True,
    "b_use_default_encoder": True,  # @param {"label": "b_use_default_encoder", "type": "boolean", "required": "true", "helpTip": ""}
    "input_features_str": "",  # @param {"label": "input_features_str", "type": "string", "required": "false", "helpTip": ""}
    "outer_pipeline_stages": None,
    "label_col": "",  # @param {"label": "label_col", "type": "string", "required": "true", "helpTip": "target label column"}
    "classifier_label_index_col": "label_index",  # @param {"label": "classifier_label_index_col", "type": "string", "required": "true", "helpTip": ""}
    "classifier_feature_vector_col": "model_features",  # @param {"label": "classifier_feature_vector_col", "type": "string", "required": "true", "helpTip": ""}
    "prediction_index_col": "prediction_index",  # @param {"label": "prediction_index_col", "type": "string", "required": "true", "helpTip": ""}
    "prediction_col": "prediction",  # @param {"label": "prediction_col", "type": "string", "required": "true", "helpTip": ""}
    "max_iter": 100,  # @param {"label": "max_iter", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""}
    "reg_param": 0.0,  # @param {"label": "reg_param", "type": "number", "required": "true", "range": "[0,none)", "helpTip": ""}
    "tol": 1e-6,  # @param {"label": "tol", "type": "number", "required": "true", "range": "(0,none)", "helpTip": ""}
    "fit_intercept": True,  # @param {"label": "fit_intercept", "type": "boolean", "required": "true", "helpTip": ""}
    "standardization": True,  # @param {"label": "standardization", "type": "boolean", "required": "true", "helpTip": ""}
    "aggregation_depth": 2  # @param {"label": "aggregation_depth", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""}
}
linear_svc_classifier____id___ = MLSLinearSVCClassifier(**params)
linear_svc_classifier____id___.run()
# @output {"label":"pipeline_model","name":"linear_svc_classifier____id___.get_outputs()['output_port_1']","type":"PipelineModel"}

父主题： 分类

相关文档