线性SVR训练 (LinearSvrTrainBatchOp)

Java 类名：com.alibaba.alink.operator.batch.regression.LinearSvrTrainBatchOp

Python 类名：LinearSvrTrainBatchOp

功能介绍

• 线性SVR是一个回归算法
• 线性SVR组件支持稀疏、稠密两种数据格式
• 线性SVR组件支持带样本权重的训练

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
C	算法参数	支撑向量回归参数	Double	✓
labelCol	标签列名	输入表中的标签列名	String	✓
epsilon	收敛阈值	迭代方法的终止判断阈值，默认值为 1.0e-6	Double		x >= 0.0	1.0E-6
featureCols	特征列名数组	特征列名数组，默认全选	String[]		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	null
learningRate	学习率	优化算法的学习率，默认0.1。	Double			0.1
maxIter	最大迭代步数	最大迭代步数，默认为 100	Integer		x >= 1	100
optimMethod	优化方法	优化问题求解时选择的优化方法	String		“LBFGS”, “GD”, “Newton”, “SGD”, “OWLQN”	null
standardization	是否正则化	是否对训练数据做正则化，默认true	Boolean			true
tau	算法参数	支撑向量回归参数	Double			0.1
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
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
withIntercept	是否有常数项	是否有常数项，默认true	Boolean			true

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [16.3, 1.1, 1.1],
    [16.8, 1.4, 1.5],
    [19.2, 1.7, 1.8],
    [18.0, 1.7, 1.7],
    [19.5, 1.8, 1.9],
    [20.9, 1.8, 1.8],
    [21.1, 1.9, 1.8],
    [20.9, 2.0, 2.1],
    [20.3, 2.3, 2.4],
    [22.0, 2.4, 2.5]
])

batchSource = BatchOperator.fromDataframe(df, schemaStr=' y double, x1 double, x2 double')

lsvr = LinearSvrTrainBatchOp()\
    .setFeatureCols(["x1", "x2"])\
    .setLabelCol("y")\
    .setC(1.0)\
    .setTau(0.01)

model = batchSource.link(lsvr)

predictor = LinearSvrPredictBatchOp()\
    .setPredictionCol("pred")

predictor.linkFrom(model, batchSource).print()

运行结果

y	x1	x2	pred
16.3	1.1	1.1	16.48073043727051
16.8	1.4	1.5	17.236649847389877
19.2	1.7	1.8	18.651637270539197
18.0	1.7	1.7	19.31070528356914
19.5	1.8	1.9	19.123299744922306
20.9	1.8	1.8	19.78236775795225
21.1	1.9	1.8	20.913098245365298
20.9	2.0	2.1	20.066624693688514
20.3	2.3	2.4	21.481612116837834
22.0	2.4	2.5	21.953274591220936