Java 类名：com.alibaba.alink.operator.stream.classification.SoftmaxPredictStreamOp
Python 类名：SoftmaxPredictStreamOp

功能介绍

Softmax算法是Logistic回归算法的推广，Logistic回归主要是用来处理二分类问题，而Softmax回归则是处理多分类问题。

算法原理

面对多分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数。具体原理可参考文献。

算法使用

该算法经常应用到多分类问题中，类似情感分析、手写字识别等问题都可以使用Softmax算法，该算法支持稀疏和稠密两种输入样本。

  • 备注 ：该组件训练的时候 FeatureCols 和 VectorCol 是两个互斥参数，只能有一个参数来描述算法的输入特征。

    文献或出处

    [1] Brown, Peter F., et al. “Class-based n-gram models of natural language.” Computational linguistics 18.4 (1992): 467-480.
    [2] Goodman, Joshua. “Classes for fast maximum entropy training.” 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No. 01CH37221). Vol. 1. IEEE, 2001.

    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 | | —- | —- | —- | —- | —- | —- | —- |

| predictionCol | 预测结果列名 | 预测结果列名 | String | ✓ | | |

| modelFilePath | 模型的文件路径 | 模型的文件路径 | String | | | null |

| predictionDetailCol | 预测详细信息列名 | 预测详细信息列名 | String | | | |

| reservedCols | 算法保留列名 | 算法保留列 | String[] | | | null |

| vectorCol | 向量列名 | 向量列对应的列名，默认值是null | String | | 所选列类型为 [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR] | 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 |

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df_data = pd.DataFrame([
  8.        [2, 1, 1],
  9.        [3, 2, 1],
  10.        [4, 3, 2],
  11.        [2, 4, 1],
  12.        [2, 2, 1],
  13.        [4, 3, 2],
  14.        [1, 2, 1],
  15.        [5, 3, 3]
  16. ])
  18. batchData = BatchOperator.fromDataframe(df_data, schemaStr='f0 int, f1 int, label int')
  19. dataTest = StreamOperator.fromDataframe(df_data, schemaStr='f0 int, f1 int, label int')
  20. colnames = ["f0","f1"]
  21. lr = SoftmaxTrainBatchOp().setFeatureCols(colnames).setLabelCol("label")
  22. model = batchData.link(lr)
  24. predictor = SoftmaxPredictStreamOp(model).setPredictionCol("pred")
  25. predictor.linkFrom(dataTest).print()
  26. StreamOperator.execute()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.classification.SoftmaxTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import com.alibaba.alink.operator.stream.StreamOperator;
  7. import com.alibaba.alink.operator.stream.classification.SoftmaxPredictStreamOp;
  8. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  9. import org.junit.Test;
  11. import java.util.Arrays;
  12. import java.util.List;
  14. public class SoftmaxPredictStreamOpTest {
  15.     @Test
  16.     public void testSoftmaxPredictStreamOp() throws Exception {
  17.         List <Row> df_data = Arrays.asList(
  18.             Row.of(2, 1, 1),
  19.             Row.of(3, 2, 1),
  20.             Row.of(4, 3, 2),
  21.             Row.of(2, 4, 1),
  22.             Row.of(2, 2, 1),
  23.             Row.of(4, 3, 2),
  24.             Row.of(1, 2, 1),
  25.             Row.of(5, 3, 3)
  26.         );
  27.         BatchOperator <?> batchData = new MemSourceBatchOp(df_data, "f0 int, f1 int, label int");
  28.         StreamOperator <?> dataTest = new MemSourceStreamOp(df_data, "f0 int, f1 int, label int");
  29.         String[] colnames = new String[] {"f0", "f1"};
  30.         BatchOperator <?> lr = new SoftmaxTrainBatchOp().setFeatureCols(colnames).setLabelCol("label");
  31.         BatchOperator <?> model = batchData.link(lr);
  32.         StreamOperator <?> predictor = new SoftmaxPredictStreamOp(model).setPredictionCol("pred");
  33.         predictor.linkFrom(dataTest).print();
  34.         StreamOperator.execute();
  35.     }
  36. }

运行结果

| f0 | f1 | label | pred | | —- | —- | —- | —- |

| 2 | 1 | 1 | 1 |

| 3 | 2 | 1 | 1 |

| 4 | 3 | 2 | 2 |

| 2 | 4 | 1 | 1 |

| 2 | 2 | 1 | 1 |

| 4 | 3 | 2 | 2 |

| 1 | 2 | 1 | 1 |

| 5 | 3 | 3 | 3 |