Java 类名：com.alibaba.alink.pipeline.regression.GbdtRegressor
Python 类名：GbdtRegressor

功能介绍

  • gbdt(Gradient Boosting Decision Trees)回归，是经典的基于boosting的有监督学习模型，可以用来解决回归问题
  • 支持连续特征和离散特征
  • 支持数据采样和特征采样

参数说明

名称 中文名称 描述 类型 是否必须？ 取值范围 默认值
labelCol 标签列名 输入表中的标签列名 String ✓
predictionCol 预测结果列名 预测结果列名 String ✓
categoricalCols 离散特征列名 离散特征列名 String[]
criteria 树分裂的策略 树分裂的策略，可以为PAI, XGBOOST String “PAI”, “XGBOOST” “PAI”
featureCols 特征列名数组 特征列名数组，默认全选 String[] null
featureImportanceType 特征重要性类型 特征重要性类型（默认为GAIN） String “WEIGHT”, “GAIN”, “COVER” “GAIN”
featureSubsamplingRatio 每棵树特征采样的比例 每棵树特征采样的比例，范围为(0, 1]。 Double 1.0
gamma xgboost中的l2正则项 xgboost中的l2正则项 Double 0.0
lambda xgboost中的l1正则项 xgboost中的l1正则项 Double 0.0
learningRate 学习率 学习率（默认为0.3） Double 0.3
maxBins 连续特征进行分箱的最大个数 连续特征进行分箱的最大个数。 Integer 128
maxDepth 树的深度限制 树的深度限制 Integer 6
maxLeaves 叶节点的最多个数 叶节点的最多个数 Integer 2147483647
minInfoGain 分裂的最小增益 分裂的最小增益 Double 0.0
minSampleRatioPerChild 子节点占父节点的最小样本比例 子节点占父节点的最小样本比例 Double 0.0
minSamplesPerLeaf 叶节点的最小样本个数 叶节点的最小样本个数 Integer 100
minSumHessianPerLeaf 叶子节点最小Hessian值 叶子节点最小Hessian值（默认为0） Double 0.0
modelFilePath 模型的文件路径 模型的文件路径 String null
newtonStep 是否使用二阶梯度 是否使用二阶梯度 Boolean true
numTrees 模型中树的棵数 模型中树的棵数 Integer 100
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
reservedCols 算法保留列名 算法保留列 String[] null
subsamplingRatio 每棵树的样本采样比例或采样行数 每棵树的样本采样比例或采样行数，行数上限100w行 Double 1.0
vectorCol 向量列名 向量列对应的列名，默认值是null String null
weightCol 权重列名 权重列对应的列名 String 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] null
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1
modelStreamFilePath 模型流的文件路径 模型流的文件路径 String null
modelStreamScanInterval 扫描模型路径的时间间隔 描模型路径的时间间隔，单位秒 Integer 10
modelStreamStartTime 模型流的起始时间 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s) String null

参数建议

对于训练效果来说，比较重要的参数是 树的棵树+学习率、叶子节点最小样本数、单颗树最大深度、特征采样比例。
单个离散特征的取值种类数不能超过256，否则会出错。

代码示例

  1. df = pd.DataFrame([
  2.     [1.0, "A", 0, 0, 0],
  3.     [2.0, "B", 1, 1, 0],
  4.     [3.0, "C", 2, 2, 1],
  5.     [4.0, "D", 3, 3, 1]
  6. ])
  8. batchSource = BatchOperator.fromDataframe(
  9.     df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')
  10. streamSource = StreamOperator.fromDataframe(
  11.     df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')
  13. GbdtRegressor()\
  14.     .setLearningRate(1.0)\
  15.     .setNumTrees(3)\
  16.     .setMinSamplesPerLeaf(1)\
  17.     .setPredictionCol('pred')\
  18.     .setLabelCol('label')\
  19.     .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
  20.     .fit(batchSource)\
  21.     .transform(batchSource)\
  22.     .print()
  24. GbdtRegressor()\
  25.     .setLearningRate(1.0)\
  26.     .setNumTrees(3)\
  27.     .setMinSamplesPerLeaf(1)\
  28.     .setPredictionCol('pred')\
  29.     .setLabelCol('label')\
  30.     .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
  31.     .fit(batchSource)\
  32.     .transform(streamSource)\
  33.     .print()
  35. StreamOperator.execute()

运行结果

批预测结果

| f0 | f1 | f2 | f3 | label | pred | | —- | —- | —- | —- | —- | —- |

| 0 | 1.0 | A | 0 | 0 | 0 |

| 1 | 2.0 | B | 1 | 1 | 0 |

| 2 | 3.0 | C | 2 | 2 | 1 |

| 3 | 4.0 | D | 3 | 3 | 1 |

流预测结果

| f0 | f1 | f2 | f3 | label | pred | | —- | —- | —- | —- | —- | —- |

| 0 | 1.0 | A | 0 | 0 0 | 0.0 |

| 1 | 3.0 | C | 2 | 2 1 | 1.0 |

| 2 | 2.0 | B | 1 | 1 0 | 0.0 |

| 3 | 4.0 | D | 3 | 3 1 | 1.0 |