Python算法组件

注意：Python算法组件，需连接Python预测组件。

AP聚类

AP 算法的基本思想是将全部样本看作网络的节点，通过网络中各条边的消息传递计算出各样本的聚类中心。聚类过程中，共有两种消息在各节点间传递，分别是吸引度(responsibility)和归属度(availability)。AP 算法通过迭代过程不断更新每一个点的吸引度和归属度值，直到产生m个高质量的 Exemplar（类似于质心），同时将其余的数据点分配到相应的聚类中。

输入

• 输入一个数据集，数据集的特征列必须是数值类型；数据点的参考度列(可选)用于刻画每个点的偏好，需要是数值类型。

输出

• 输出AP聚类模型。聚类模型预测结果为在原始列上加上两列：result_label，代表聚类index，从0开始；result_distances，代表样本到各个cluster的距离。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

BML Neural Network

BML Neural Network组件可以进行可视化的神经网络开发，搭建网络方式与可视化建模一致，同时需要编辑代码自定义算子的fit、save、 load、transform 方法。

输入

• 输入一个数据集，需要搭建网络结构并且编写算子的fit、save、 load、transform 方法。

输出

• 输出神经网络模型。

算子参数

使用示例

选中“BML Neural Network”组件后，点击右侧“可视化开发”按钮，进入神经网络可视化开发界面。神经网络可视化开发同可视化建模操作体验类似，选择相应的组件进行串联后，点击组件可进行参数设置。待全部设置完毕后，可点击“保存为代码”。

Catboost二分类(单机)

CatBoost是一种基于对称决策树（oblivious trees）为基学习器实现的参数较少、支持类别型变量和高准确性的GBDT框架，主要解决的痛点是高效合理地处理类别型特征，这一点从它的名字中可以看出来，CatBoost是由Categorical和Boosting组成。此外，CatBoost还解决了梯度偏差（Gradient Bias）以及预测偏移（Prediction shift）的问题，从而减少过拟合的发生，进而提高算法的准确性和泛化能力。

输入

• 输入一个数据集，特征列是数值或数值数组类型，或者类别类型（字符串类型），二分类任务标签列需要是整数或字符串类型，标签唯一值为2。

输出

• 输出Catboost二分类(单机)模型。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

Catboost多分类(单机)

Catboost多分类与二分类算法原理一致，运用sotfmax和ova(一对多)的方式实现多分类。

输入

• 输入一个数据集，特征列是数值或数值数组类型，或者类别类型（字符串类型），多分类任务标签列需要是整数或字符串类型，标签唯一值大于2。

输出

• 输出Catboost多分类(单机)模型，支持查看Top10分类的概率。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

Catboost回归(单机)

Catboost支持回归任务，不同于分类任务，回归任务的学习目标使用RMSE、MAE、Poisson、Tweedie等。

输入

• 输入一个数据集，特征列是数值或数值数组类型，或者类别类型（字符串类型），标签列需要是数值类型，对于回归任务目标函数gamma，要求标签列是正的，对于回归任务目标函数tweedie，要求标签列是非负的。

输出

• 输出Catboost回归(单机)模型。

算子参数

字段参数

使用示例

构建算子结构，配置参数，完成训练。

DBSCAN

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种很典型的密度聚类算法，和 K-Means，BIRCH 这些一般只适用于凸样本集的聚类相比，DBSCAN 既可以适用于凸样本集，也可以适用于非凸样本集。这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。

输入

• 输入一个数据集，数据集的特征列必须是数值或数值数组类型。

输出

• 输出DBSCAN模型。

算子参数

字段参数

计算逻辑

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看输出结果。

KNN二分类

k 近邻（KNN）是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的 k 个训练样本，然后基于这 k 个“邻居”的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这 k 个样本中出现最多的类别标记作为预测结果。 k 近邻没有显式的学习过程。事实上，它是懒惰学习（lazy learning）的著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理。 KNN 二分类：利用 k 近邻学习方法完成二分类任务。

输入

• 输入一个数据集，数据集的特征列必须是数值或数值数组类型，标签列必须是整数类型或字符串类型（如果列中的unique值超过了两种，运行算子时会报错）。

输出

• 输出KNN二分类模型。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

KNN多分类

KNN多分类任务即已分类样本中含两个以上的类别，待分类样本计算距离最近的K个样本，根据"投票法"确定样本分类。

输入

• 输入一个数据集，数据集的特征列必须是数值或数值数组类型，标签列必须是整数类型或字符串类型（如果列中的unique值不足三种，运行算子时会报错）。

输出

• 输出KNN多分类模型，支持查看Top10分类的概率。

算子参数

字段参数

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

​

LightGBM二分类(单机)

提升树是利用加模型与前向分布算法实现学习的优化过程，它有一些高效实现，如XGBoost，GBDT等。其中GBDT采用负梯度作为划分的指标（信息增益），XGBoost则利用到二阶导数。他们共同的不足是，计算信息增益需要扫描所有样本，从而找到最优划分点。在面对大量数据或者特征维度很高时，他们的效率和扩展性很难使人满意。微软开源的LightGBM（基于GBDT的）则很好的解决这些问题，它主要包含两个算法：

GOSS（从减少样本角度）：排除大部分小梯度的样本，仅用剩下的样本计算信息增益。

EFB（从减少特征角度）：捆绑互斥特征，也就是他们很少同时取非零值（也就是用一个合成特征代替）。

输入

• 输入一个数据集，特征列需要是数值或数值数组类型，标签列需要是整数或字符串类型，标签唯一值为2。

输出

• 输出LightGBM二分类(单机)模型。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

LightGBM多分类(单机)

LightGBM多分类与二分类算法原理一致，运用sotfmax和ova(一对多)的方式实现多分类。

输入

• 输入一个数据集，特征列需要是数值或数值数组类型，标签列需要是整数或字符串类型，标签唯一值大于2。

输出

• 输出LightGBM多分类(单机)模型，支持查看Top10分类的概率。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练。

2. 查看训练结果。

LightGBM回归(单机)

LightGBM支持回归任务，不同于分类任务，回归任务的学习目标使用gamma、tweedie、l1、l2等。

输入

• 输入一个数据集，特征列需要是数值或数值数组类型，回归任务标签列需要是数值类型，对于回归任务目标函数gamma，要求标签列是正的，对于回归任务目标函数tweedie，要求标签列是非负的。

输出

• 输出LightGBM回归(单机)模型。

算子参数

字段参数

使用示例

构建算子结构，配置参数，完成训练。

MxNet算法

MxNet 是一个深度学习框架，旨在提高效率和灵活性，允许混合符号和命令式编程，以最大限度地提高效率和生产力。 MxNet 算法组件：利用MxNet库编写自定义python代码，完成各类深度学习任务。该组件仅提供单机运行的模式。

输入

• 输入一个数据集作为训练集，编写Python代码。

输出

• 输出MxNet算法模型。

算子参数

函数说明

1fit：模型训练方法，有且仅有dataset参数
2transform：模型预测方法，有且仅有dataset参数，返回的预测结果为pandas.DataFrame
3save：模型保存方法,有且仅有model_path参数
4load：模型加载方法,有且仅有model_path参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为class。

3. 查看训练结果。

Paddle算法

PaddlePaddle（PArallel Distributed Deep LEarning）是一个易用、高效、灵活、可扩展的深度学习框架。 Paddle 算法组件：利用 PaddlePaddle 库写自定义 python 代码，完成各类深度学习任务。

输入

• 输入训练数据集：paddle.reader，每行数据为pandas.core.series.Series格式数据；预测dataset：pandas.DataFrame,每行数据为pandas.core.series.Series格式数据。

输出

• 输出Paddle算法模型。

算子参数

函数说明

1fit：模型训练方法，有且仅有dataset参数
2transform：模型预测方法，有且仅有dataset参数，返回的预测结果为pandas.DataFrame
3save：模型保存方法,有且仅有model_path参数
4load：模型加载方法,有且仅有model_path参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为label。

多项式回归

多项式回归，回归函数是回归变量多项式的回归。多项式回归模型是线性回归模型的一种，此时回归函数关于回归系数是线性的。由于任一函数都可以用多项式逼近，因此多项式回归有着广泛应用。 多项式回归模型通常使用最小二乘法来拟合。 实现原理：多项式扩展 + 线性回归。

输入

• 输入一个数据集，数据集的特征列double/int，标记列是Double或Int类型。

输出

• 输出多项式回归模型。

算子参数

字段参数

使用示例

构建算子结构，配置参数，完成训练。

PyModel模型脚本

PyModel支持将上传的代码文件存放到用户填写的目录里面，同时还支持在算子里面用存储里的代码和数据集训练出模型，放到用户填写的目录里。

输入

• 输入选择存储中的文件，需要填写PyModel模型文件的存放路径。

输出

• 输出PyModel格式的模型。

算子参数

使用示例

1. 上传的示例文件如下，命名为model.py

1#!/usr/bin/env python
2# -*- coding=utf8 -*-
3"""
4python script
5"""
6import pandas as pd
7 
8 
9class PyModel(object):
10    """
11    运行环境为 Python 3
12    """
13 
14    def transform(self, dataset):  # type:(pd.DataFrame)->pd.DataFrame
15        """
16 
17        :param dataset:
18        :return:
19        """
20        return pd.DataFrame([{'prediction': 0}])
21 
22    def load(self):
23        """
24 
25        :return:
26        """
27        pass

2. 选择存储名称、资源文件(model.py)，shell脚本输入框填写"mkdir model_dir && cp model.py model_dir"，完成训练。

PyTorch算法

PyTorch 是使用 GPU 和 CPU 优化的深度学习张量库。 自定义 PyTorch 代码组件：利用 PyTorch 库写自定义 python 代码，完成各类深度学习任务。

输入

• 输入一个数据集作为训练集，编写Python代码。

输出

• 输出PyTorch算法模型。

算子参数

函数说明

1fit：模型训练方法，有且仅有dataset参数
2transform：模型预测方法，有且仅有dataset参数，返回的预测结果为pandas.DataFrame
3save：模型保存方法,有且仅有model_path参数
4load：模型加载方法,有且仅有model_path参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为class。

Sklearn算法

scikit-learn 是基于 Python 语言的机器学习工具。它是建立在 NumPy ，SciPy 和 matplotlib 上的简单高效的数据挖掘和数据分析工具。 自定义 Sklearn 代码组件：利用 scikit-learn 库写自定义 python 代码，完成各类机器学习任务。

输入

• 输入一个数据集作为训练集，编写Python代码。

输出

• 输出Sklearn算法模型。

算子参数

函数说明

1fit：模型训练方法，有且仅有dataset参数
2transform：模型预测方法，有且仅有dataset参数，返回的预测结果为pandas.DataFrame
3save：模型保存方法,有且仅有model_path参数
4load：模型加载方法,有且仅有model_path参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为class。

3. 查看训练结果。

Sklearn算法(Pmml模型)

Sklearn算法(Pmml模型)组件与Sklearn算法组件的使用方法一致，不同的是Sklearn算法(Pmml模型)组件中用户可以自定义load和save 防范，并且训练完成后支持导出Pmml格式的模型。

输入

输入数据：一个数据集作为训练集，编写Python代码。

输出

输出数据：Sklearn算法(Pmml模型)。

算子参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为class。

3. 训练完成后的模型可以导出为PMML格式文件。

Tensorflow算法

TensorFlow 是一个端到端开源机器学习平台。它拥有一个包含各种工具、库和社区资源的全面灵活生态系统，可以让研究人员推动机器学习领域的先进技术的发展，并让开发者轻松地构建和部署由机器学习提供支持的应用。 自定义 Tensorflow 代码组件：利用 Tensorflow 库写自定义 python 代码，完成各类深度学习任务。

输入

• 输入一个数据集作为训练集，编写Python代码。

输出

• 输出Tensorflow算法模型。

算子参数

函数说明

1fit：模型训练方法，有且仅有dataset参数
2transform：模型预测方法，有且仅有dataset参数，返回的预测结果为pandas.DataFrame
3save：模型保存方法,有且仅有model_path参数
4load：模型加载方法,有且仅有model_path参数

使用示例

1. 构建算子结构，编写python代码，完成训练。

2. 查看代码，本例中特征列为slen、swid、plen、pwid，标签列为class。

WideAndDeep

WideAndDeep 模型是 Google 发布的一类用于分类和回归的模型，并应用到了 Google Play 的应用推荐中。WideAndDeep 模型的核心思想是结合线性模型的记忆能力（memorization）和 DNN 模型的泛化能力(generalization)，在训练过程中同时优化 2 个模型的参数，从而达到整体模型的预测能力最优。 记忆(memorization)即从历史数据中发现 item 或者特征之间的相关性。 泛化(generalization)即相关性的传递，发现在历史数据中很少或者没有出现的新的特征组合。 WideAndDeep组件：利用 WideAndDeep 模型完成二分类任务。

输入

• 输入一个数据集，需要指定标签列，deep模式配置列，wide模式配置列。

输出

• 输出WideAndDeep模型。

算子参数

字段参数

使用示例

构建算子结构，配置参数，完成训练。

XGBoost二分类(单机)

XGBoost是一种提升树模型，它是将多个树模型（CART）集成在一起，形成一个很强的分类器。 对于一个样本，每棵树都会预测出一个结果（分数），对于二分类问题来说，学习目标为logistic。

输入

• 输入数据集。特征列需要是数值或数值数组类型，标签列需要是整数或字符串类型，标签唯一值为2。

输出

• 输出XGBoost二分类(单机)模型。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练，算子支持查看全量特征重要性。

2. 查看训练结果。

XGBoost多分类(单机)

XGBoost 是一种提升树模型，它是将多个树模型（CART）集成在一起，形成一个很强的分类器。 对于一个样本，每棵树都会预测出一个结果（分数），对于多分类问题来说，学习目标为softprob。

输入

• 输入一个数据集，特征列需要是数值或数值数组类型，多分类任务标签列需要是整数或字符串类型，标签唯一值大于2。

输出

• 输出XGBoost多分类(单机)模型，支持查看Top10分类的概率。

算子参数

字段参数

使用示例

1. 构建算子结构，配置参数，完成训练，算子支持查看全量特征重要性。

2. 查看训练结果。

XGBoost回归 (单机)

XGBoost 是一种迭代的决策树算法，它是由多棵决策树组成，所有树的结论累加起来做最终答案。XGBoost 几乎可用于所有回归问题(线性/非线性)。

输入

• 输入一个数据集，特征列需要是数值或数值数组类型，回归任务标签列需要是数值类型，对于回归任务目标函数gamma及tweedie，要求标签列是非负的。

输出

• 输出XGBoost回归(单机)模型

算子参数

字段参数

使用示例

构建算子结构，配置参数，完成训练，算子支持查看全量特征重要性。