使用限制

支持的計(jì)算引擎為MaxCompute、Flink或DLC。

算法原理

Lasso回歸算法通過(guò)構(gòu)造一個(gè)懲罰函數(shù)，得到一個(gè)較為精煉的模型。使得它壓縮一些回歸系數(shù)，即強(qiáng)制系數(shù)絕對(duì)值之和小于某個(gè)固定值，同時(shí)設(shè)定一些回歸系數(shù)為0。因此保留了子集收縮的優(yōu)點(diǎn)，是一種處理具有復(fù)共線性數(shù)據(jù)的有偏估計(jì)。

可視化配置組件參數(shù)

• 輸入樁

  輸入樁（從左到右）	數(shù)據(jù)類型	建議上游組件	是否必選
  數(shù)據(jù)	無(wú)	讀數(shù)據(jù)表 特征工程 數(shù)據(jù)預(yù)處理	是
  模型	Lasso模型（用做增量訓(xùn)練）	讀數(shù)據(jù)表（模型數(shù)據(jù)表） Lasso回歸訓(xùn)練	否

• 組件參數(shù)

  頁(yè)簽	參數(shù)	描述
  字段設(shè)置	標(biāo)簽列名	輸入表中的標(biāo)簽列名。
  	特征列名數(shù)組	如果您已經(jīng)配置了向量列名，則該參數(shù)不允許配置。 用于訓(xùn)練的特征列名。 說(shuō)明 特征列名數(shù)組和向量列名是兩個(gè)互斥參數(shù)，您只能使用其中一個(gè)參數(shù)來(lái)描述算法的輸入特征。
  	向量列名	如果您已經(jīng)配置了特征列名數(shù)組，則該參數(shù)不允許配置。 向量列對(duì)應(yīng)的列名。 說(shuō)明 特征列名數(shù)組和向量列名是兩個(gè)互斥參數(shù)，您只能使用其中一個(gè)參數(shù)來(lái)描述算法的輸入特征。
  	權(quán)重列名	權(quán)重列對(duì)應(yīng)的列名。
  參數(shù)設(shè)置	懲罰因子：lambda	正則項(xiàng)系數(shù)，DOUBLE類型。
  	收斂閾值	迭代方法的終止判斷閾值，默認(rèn)為1.0E~6。
  	學(xué)習(xí)率	用于控制模型在訓(xùn)練過(guò)程中參數(shù)更新的速度。默認(rèn)為0.1。
  	最大迭代步數(shù)	最大迭代步數(shù)，默認(rèn)為100。
  	優(yōu)化方法	優(yōu)化問(wèn)題求解時(shí)選擇的優(yōu)化方法，支持以下取值： LBFGS GD Newton SGD OWLQN
  執(zhí)行調(diào)優(yōu)	節(jié)點(diǎn)個(gè)數(shù)	與單個(gè)節(jié)點(diǎn)內(nèi)存大小參數(shù)配對(duì)使用。取值為[1, 9999]的正整數(shù)。
  	單個(gè)節(jié)點(diǎn)內(nèi)存大小，單位M	取值范圍為1024 MB~64*1024 MB。

• 輸出樁

  輸出樁（從左到右）	數(shù)據(jù)類型	下游組件
  模型	回歸模型	Lasso回歸預(yù)測(cè)
  模型信息	無(wú)	無(wú)
  特征重要性	無(wú)	無(wú)
  線性模型權(quán)重系數(shù)	無(wú)	無(wú)

通過(guò)代碼方式配置組件

from pyalink.alink import *

def main(sources, sinks, parameter):
    batchData = sources[0]
    ridge = LassoRegTrainBatchOp()\
        .setLambda(0.1)\
        .setFeatureCols(["f0","f1"])\
        .setLabelCol("label")
    model = batchData.link(ridge)
    model.link(sinks[0])
    BatchOperator.execute()