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

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