LittleBoy最佳实践样例:在画布中进行机器学习模型训练和评估
机器学习是一类算法的总称,这些算法企图从大量历史数据中挖掘出其中隐含的规律,并用于预测或者分类,更具体说,机器学习可以看做是一个函数,输入是样本数据,输出是期望的结果,只是这个函数过于复杂,以至于不太方便形式化表达。在本帖中我们在 LittleBoy 可视化机器学习建模平台中实践如何使用机器学习算子来训练模型并进行预测评估。
1.多分类任务
以下是本次实践中使用的数据集 iris_train、iris_test 的预览信息
1.1 我们使用工业生产中常用的 XGBoost(多分类)算子来进行演示,拖动机器学习-多分类下的 XGBoost(多分类)算子到画布中,连接 iris_train 数据集,选中特征、标签字段以及配置 XGBoost(多分类)算子的参数
1.2 XGBoost(多分类)算子输出连接预测算子,再接入 iris_test 数据集,即使用训练完成的 XGBoost(多分类)模型对 iris_test 数据集进行预测,模型会自动匹配训练过程中用到的特征字段,下图为配置预测算子相关参数,指定输出结果
1.3 预测算子之后接多分配评估算子,对预测结果进行评估
1.4 预测结果接入预览算子,可以预览最终的预测结果,整体流程如图所示,点击运行画布
1.5 画布运行完成
1.6 画布运行完成之后点击预览算子,可以看到预测的结果如图
1.7 画布运行完成之后点击多分类评估算子,可看到对于 iris_test 数据集预测之后的评估结果
1.8 同时,我们可以在模型管理中找到已训练好的模型,点击模型即可查看模型详细信息
以上就是在 LittleBoy 可视化建模平台中进行机器学习模型训练和评估的样例流程。