决策树回归预测（batch）

功能介绍

  • 本函数支持cart回归

  • 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？ 默认值
predictionCol 预测结果列名 预测结果列名 String ✓
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

脚本示例

脚本代码

  1. import numpy as np
  2. import pandas as pd
  3. from pyalink.alink import *
  6. def exampleData():
  7.     return np.array([
  8.         [1.0, "A", 0, 0, 0],
  9.         [2.0, "B", 1, 1, 0],
  10.         [3.0, "C", 2, 2, 1],
  11.         [4.0, "D", 3, 3, 1]
  12.     ])
  15. def sourceFrame():
  16.     data = exampleData()
  17.     return pd.DataFrame({
  18.         "f0": data[:, 0],
  19.         "f1": data[:, 1],
  20.         "f2": data[:, 2],
  21.         "f3": data[:, 3],
  22.         "label": data[:, 4]
  23.     })
  26. def batchSource():
  27.     return dataframeToOperator(
  28.         sourceFrame(),
  29.         schemaStr='''
  30.     f0 double, 
  31.     f1 string, 
  32.     f2 int, 
  33.     f3 int, 
  34.     label int
  35.     ''',
  36.         op_type='batch'
  37.     )
  40. def streamSource():
  41.     return dataframeToOperator(
  42.         sourceFrame(),
  43.         schemaStr='''
  44.     f0 double, 
  45.     f1 string, 
  46.     f2 int, 
  47.     f3 int, 
  48.     label int
  49.     ''',
  50.         op_type='stream'
  51.     )
  54. trainOp = (
  55.     DecisionTreeRegTrainBatchOp()
  56.     .setLabelCol('label')
  57.     .setFeatureCols(['f0', 'f1', 'f2', 'f3'])
  58. )
  60. predictBatchOp = (
  61.     DecisionTreeRegPredictBatchOp()
  62.     .setPredictionCol('pred')
  63. )
  65. (
  66.     predictBatchOp
  67.     .linkFrom(
  68.         batchSource().link(trainOp),
  69.         batchSource()
  70.     )
  71.     .print()
  72. )
  74. predictStreamOp = (
  75.     DecisionTreeRegPredictStreamOp(
  76.         batchSource().link(trainOp)
  77.     )
  78.     .setPredictionCol('pred')
  79. )
  81. (
  82.     predictStreamOp
  83.     .linkFrom(
  84.         streamSource()
  85.     )
  86.     .print()
  87. )
  89. StreamOperator.execute()

脚本结果

  1. f0    f1    f2    f3    label    pred
  2. 0    1.0    A    0    0    0    0.0
  3. 1    3.0    C    2    2    1    1.0
  4. 2    2.0    B    1    1    0    0.0
  5. 3    4.0    D    3    3    1    1.0