使用限制

支持的計算引擎為MaxCompute、Flink或DLC。

算法原理

嶺回歸是一種專用于共線性數據分析的有偏估計回歸方法，實質上是一種改良的最小二乘估計法，通過放棄最小二乘法的無偏性，以損失部分信息、降低精度為代價獲得回歸系數更為符合實際、更可靠的回歸方法，對病態數據的擬合要強于最小二乘法。

可視化配置組件參數

• 輸入樁

  輸入樁（從左到右）	數據類型	建議上游組件	是否必選
  數據	無	讀數據表 特征工程 數據預處理	是
  模型	無	讀數據表	否

• 組件參數

  頁簽	參數	描述
  字段設置	標簽列名	輸入表中的標簽列名。
  	特征列名數組	如果您已經配置了向量列名，則該參數不允許配置。 用于訓練的特征列名。 說明 特征列名數組和向量列名是兩個互斥參數，您只能使用其中一個參數來描述算法的輸入特征。
  	向量列名	如果您已經配置了特征列名數組，則該參數不允許配置。 向量列對應的列名。 說明 特征列名數組和向量列名是兩個互斥參數，您只能使用其中一個參數來描述算法的輸入特征。
  	權重列名	權重列對應的列名。
  參數設置	懲罰因子：lambda	正則項系數，DOUBLE類型。
  	收斂閾值	迭代方法的終止判斷閾值，默認為1.0E~6。
  	學習率	用于控制模型在訓練過程中參數更新的速度。默認為0.1。
  	最大迭代步數	最大迭代步數，默認為100。
  	優化方法	優化問題求解時選擇的優化方法，支持以下取值： LBFGS GD Newton SGD OWLQN
  執行調優	節點個數	與單個節點內存大小參數配對使用。取值為[1, 9999]的正整數。
  	單個節點內存大小，單位M	取值范圍為1024 MB~64*1024 MB。

• 輸出樁

  輸出樁（從左到右）	數據類型	下游組件
  模型	回歸模型	嶺回歸預測
  模型信息	無	無
  特征重要性	無	無
  線性模型權重系數	無	無

通過代碼方式配置組件

from pyalink.alink import *

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