华为云AI开发平台ModelArts决策树分类_云淘科技
概述
“决策树分类”节点用于产生二分类或多分类模型。
决策树是附加概率结果的一个树状的决策图，是直观的运用统计概率分析的图法，树中的每一个节点表示对象属性的判断条件，其分支表示符合节点条件的对象，树的叶子节点表示对象所属的预测结果。其通过基尼不纯度（Gini impurity）或熵（Entropy）来对一个集合的有序程度进行量化，并对一次拆分进行量化评价。
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 |
– |
输入的特征列名以逗号分隔组成的格式化字符串，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_depth |
– |
树的最大深度，默认为5 |
|
max_bins |
– |
最大分箱数，默认为32 |
|
min_instances_per_node |
– |
树节点分割时要求子节点包含的最小实例数，默认为1 |
|
min_info_gain |
– |
最小信息增益，默认为0 |
|
impurity |
– |
不纯度，支持entropy、gini，默认为”gini” |
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": ""}
"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_depth": 5, # @param {"label": "max_depth", "type": "integer", "required": "true", "range":"(0,2147483647]", "helpTip": ""}
"max_bins": 32, # @param {"label": "max_bins", "type": "integer", "required": "true", "range":"(0,2147483647]", "helpTip": ""}
"min_instances_per_node": 1, # @param {"label": "min_instances_per_node", "type": "integer", "required": "true", "range": "[1,2147483647]", "helpTip": ""}
"min_info_gain": 0.0, # @param {"label": "min_info_gain", "type": "number", "required": "true", "range": "[0,none)", "helpTip": ""}
"impurity": "gini" # @param {"label": "impurity", "type": "enum", "required": "true", "options": "entropy,gini", "helpTip": ""}
}
dt_classifier____id___ = MLSDecisionTreeClassifier(**params)
dt_classifier____id___.run()
# @output {"label":"pipeline_model","name":"dt_classifier____id___.get_outputs()['output_port_1']","type":"PipelineModel"}
父主题： 分类
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
