华为云AI开发平台ModelArts决策树回归特征重要性_云淘科技
概述
采用决策树回归算法计算数据集特征的特征重要性。
输入
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
inputs |
dataframe |
参数必选，表示输入的数据集；如果没有pipeline_model和decision_tree_regressor_model参数，表示直接根据数据集训练决策树回归算法得到特征重要性 |
|
pipeline_model |
参数可选，如果含有该参数，表示根据上游的pyspark pipeline模型对象来计算特征重要性 |
|
|
decision_tree_regressor_model |
参数可选，如果含有该参数，表示根据上游的决策树回归模型对象来计算特征重要性 |
输出
包含特征重要性的结果数据集
参数说明
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
input_columns_str |
– |
数据集的特征列名组成的格式化字符串，例如: “column_a” “column_a,column_b” |
|
label_col |
– |
目标列名 |
|
model_input_features_col |
– |
特征向量的列名 |
|
prediction_col |
– |
训练模型时，预测结果对应的列名，默认为”prediction” |
|
max_depth |
– |
树的最大深度，默认为5 |
|
max_bins |
– |
分割特征时的最大分箱个数，默认为32 |
|
min_instances_per_node |
– |
决策树分裂时要求每个节点必须包含的实例数目，默认为1 |
|
min_info_gain |
– |
最小信息增益，默认为0.0 |
样例
inputs = {
"dataframe": None, # @input {"label":"dataframe","type":"DataFrame"}
"pipeline_model": None, # @input {"label":"pipeline_model","type":"PipelineModel"}
"decision_tree_regressor_model": None
}
params = {
"inputs": inputs,
"input_columns_str": "", # @param {"label":"input_columns_str","type":"string","required":"false","helpTip":""}
"label_col": "", # @param {"label":"label_col","type":"string","required":"true","helpTip":""}
"model_input_features_col": "model_features", # @param {"label":"model_input_features_col","type":"string","required":"false","helpTip":""}
"prediction_col": "prediction", # @param {"label":"prediction_col","type":"string","required":"false","helpTip":""}
"max_depth": 5, # @param {"label":"max_depth","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""}
"max_bins": 32, # @param {"label":"max_bins","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""}
"min_instances_per_node": 1, # @param {"label":"min_instances_per_node","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""}
"min_info_gain": 0.0, # @param {"label":"min_info_gain","type":"number","required":"false","helpTip":""}
"impurity": "variance"
}
dt_regression_feature_importance____id___ = MLSDecisionTreeRegressorFeatureImportance(**params)
dt_regression_feature_importance____id___.run()
# @output {"label":"dataframe","name":"dt_regression_feature_importance____id___.get_outputs()['output_port_1']","type":"DataFrame"}
父主题： 数据分析
同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）
内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家
