Addestramento con l'impiego dell'algoritmo XGBoost integrato

L'addestramento con algoritmi integrati in AI Platform Training ti consente di inviare il tuo set di dati e addestrare un modello senza scrivere codice di addestramento. Questa pagina spiega come funziona l'algoritmo XGBoost integrato e come utilizzarlo.

Panoramica

L'algoritmo XGBoost integrato è un wrapper per l'algoritmo XGBoost compatibile per l'esecuzione su AI Platform Training.

Questo documento descrive una versione dell'algoritmo che viene eseguita su una singola replica di macchina virtuale. Esiste anche una versione distribuita di questo algoritmo che utilizza più macchine virtuali per l'addestramento e richiede un utilizzo leggermente diverso. Questo algoritmo si compone di due fasi:

  1. Pre-elaborazione: AI Platform Training elabora il tuo mix di dati categorici e numerici in un set di dati interamente numerico per prepararlo all'addestramento con XGBoost.
  2. Addestramento: AI Platform Training esegue l'addestramento utilizzando l'algoritmo XGBoost in base al set di dati e ai parametri del modello che hai fornito. L'implementazione attuale si basa sulla versione 0.81 di XGBoost.

Limitazioni

Le seguenti funzionalità non sono supportate per l'addestramento con la versione a replica singola dell'algoritmo XGBoost integrato:

Tipi di macchine supportati

Sono supportati i seguenti livelli di scalabilità e tipi di macchine di AI Platform Training:

Formatta i dati di input

XGBoost utilizza dati tabulari numerici. Ogni riga di un set di dati rappresenta un'istanza e ogni colonna di un set di dati rappresenta un valore delle caratteristiche. La colonna di destinazione rappresenta il valore da prevedere.

Prepara il file CSV

I dati di input devono essere un file CSV con codifica UTF-8. Se i dati di addestramento sono composti solo da valori categorici e numerici, puoi utilizzare il nostro modulo di pre-elaborazione per convertire i dati categorici in dati numerici. In caso contrario, puoi eseguire l'addestramento senza la pre-elaborazione automatica abilitata.

Devi preparare il file CSV di input per soddisfare i seguenti requisiti:

  • Rimuovi la riga di intestazione. La riga di intestazione contiene le etichette di ciascuna colonna. Rimuovi la riga di intestazione per evitare di inviarla con le altre istanze di dati come parte dei dati di addestramento.
  • Assicurati che la colonna di destinazione sia la prima. La colonna di destinazione contiene il valore che stai cercando di prevedere. Per un algoritmo di classificazione, tutti i valori nella colonna di destinazione sono una classe o una categoria. Per un algoritmo di regressione, tutti i valori nella colonna di destinazione sono valori numerici.

Gestire valori interi

Il significato dei valori interi può essere ambiguo, il che rende problematiche le colonne di valori interi nella pre-elaborazione automatica. AI Platform Training determina automaticamente come gestire i valori interi. Per impostazione predefinita:

  • Se ogni valore intero è univoco, la colonna viene trattata come chiavi di istanza.
  • Se sono disponibili solo pochi valori interi univoci, la colonna viene trattata come categoria.
  • In caso contrario, i valori nella colonna vengono convertiti in numeri in virgola mobile e trattati come numerici.

Per ignorare queste determinazioni predefinite:

  • Se i dati devono essere trattati come numerici, converti tutti i valori interi della colonna in virgola mobile, ad esempio {101,0; 102,0; 103,0}
  • Se i dati devono essere trattati come categorici, anteponi un prefisso non numerico a tutti i valori interi nella colonna, ad esempio {codice_101, codice_102, codice_103}

Normalizza i valori target per la regressione

Per i job di addestramento di regressione, assicurati di normalizzare i valori target in modo che ogni valore sia compreso tra 0 e 1.

Controlla le autorizzazioni dei bucket Cloud Storage

Per archiviare i dati, utilizza un bucket Cloud Storage nello stesso progetto Google Cloud che stai utilizzando per eseguire i job di AI Platform Training. In caso contrario, concedi ad AI Platform Training l'accesso al bucket Cloud Storage in cui sono archiviati i tuoi dati.

Invio di un job di addestramento XGBoost

Questa sezione spiega come inviare un job di addestramento XGBoost integrato.

Puoi trovare brevi spiegazioni di ciascun iperparametro all'interno della console Google Cloud e una spiegazione più completa nel riferimento per l'algoritmo XGBoost integrato.

Console

  1. Vai alla pagina Job di addestramento di AI Platform nella console Google Cloud:

    Pagina dei job di AI Platform Training

  2. Fai clic sul pulsante Nuovo job di addestramento. Dalle opzioni visualizzate di seguito, fai clic su Addestramento con algoritmi integrati.

  3. Nella pagina Crea un nuovo job di addestramento, seleziona XGBoost integrato e fai clic su Avanti.

  4. Per scoprire di più su tutti i parametri disponibili, segui i link nella console Google Cloud e fai riferimento al riferimento XGBoost integrato per ulteriori dettagli.

gcloud

  1. Imposta le variabili di ambiente per il job, inserendo [VALUES-IN-BRACKETS] con i tuoi valori:

    # Specify the name of the Cloud Storage bucket where you want your
# training outputs to be stored, and the Docker container for
# your built-in algorithm selection.
BUCKET_NAME='[YOUR-BUCKET-NAME]'
IMAGE_URI='gcr.io/cloud-ml-algos/boosted_trees:latest'

# Specify the Cloud Storage path to your training input data.
TRAINING_DATA='gs://[YOUR_BUCKET_NAME]/[YOUR_FILE_NAME].csv'

DATASET_NAME='census'
ALGORITHM='xgboost'
MODEL_TYPE='classification'

DATE='date '+%Y%m%d_%H%M%S''
MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
JOB_ID="${MODEL_NAME}_${DATE}"

JOB_DIR="gs://${BUCKET_NAME}/algorithm_training/${MODEL_NAME}/${DATE}"

  2. Invia il job di addestramento utilizzando gcloud ai-platform jobs training submit:

    gcloud ai-platform jobs submit training $JOB_ID \
   --master-image-uri=$IMAGE_URI --scale-tier=BASIC --job-dir=$JOB_DIR \
   -- \
   --preprocess --objective=binary:logistic \
   --training_data_path=$TRAINING_DATA

  3. Monitora lo stato del job di addestramento visualizzando i log con gcloud. Consulta gcloud ai-platform jobs describe e gcloud ai-platform jobs stream-logs.

    gcloud ai-platform jobs describe ${JOB_ID}
gcloud ai-platform jobs stream-logs ${JOB_ID}

Come funziona la pre-elaborazione

La pre-elaborazione automatica funziona per dati categorici e numerici. La routine di pre-elaborazione analizza e poi trasforma i dati.

Analisi

Innanzitutto, AI Platform Training rileva automaticamente il tipo di dati di ogni colonna, identifica il modo in cui deve essere trattata e calcola alcune statistiche dei dati nella colonna. Queste informazioni vengono acquisite nel file metadata.json.

AI Platform Training analizza il tipo di colonna di destinazione per identificare se il set di dati è destinato a regressione o classificazione. Se questa analisi è in conflitto con la selezione per objective, viene restituito un errore. Indica esplicitamente come deve essere trattata la colonna di destinazione formattando chiaramente i dati in casi ambigui.

  • Tipo: la colonna può essere numerica o categorica.

  • Trattamento: AI Platform Training identifica come trattare ogni colonna nel seguente modo:

    • Se la colonna include un singolo valore in tutte le righe, viene trattata come costante.
    • Se la colonna è categorica e include valori univoci in tutte le righe, viene trattata come row_identifier.
    • Se è numerica con valori in virgola mobile o con valori interi e contiene molti valori univoci, la colonna viene trattata come numerica.
    • Se la colonna è numerica con valori interi e contiene pochi valori univoci sufficienti, viene trattata come una colonna categorica in cui i valori interi sono l'identità o il vocabolario.
      • Una colonna ha pochi valori univoci se il numero di valori univoci nella colonna è inferiore al 20% del numero di righe nel set di dati di input.
    • Se la colonna è categorica con cardinalità elevata, viene trattata con l'hashing, in cui il numero di bucket di hash equivale alla radice quadrata del numero di valori univoci nella colonna.
      • Una colonna categorica ha una cardinalità elevata se il numero di valori univoci è maggiore della radice quadrata del numero di righe nel set di dati.
    • Se la colonna è categorica e il numero di valori univoci è inferiore o uguale alla radice quadrata del numero di righe nel set di dati, la colonna viene trattata come una normale colonna di categoria con vocabulary.

  • Statistiche: AI Platform Training calcola le seguenti statistiche, in base al tipo di colonna e all'elaborazione identificati, da utilizzare per trasformare la colonna in una fase successiva.

    • Se la colonna è numerica, vengono calcolate la media e i valori di varianza.
    • Se la colonna è categorica e il trattamento è l'identità o il vocabolario, i valori distinti vengono estratti dalla colonna.
    • Se la colonna è categorica e il trattamento prevede l'hashing, il numero di bucket di hash viene calcolato in base alla cardinalità della colonna.

Trasformazione

Una volta completata l'analisi iniziale del set di dati, AI Platform Training trasforma i dati in base ai tipi, ai gruppi sperimentali e alle statistiche applicati al set di dati. AI Platform Training esegue le trasformazioni nel seguente ordine:

  1. Suddivide il set di dati di addestramento in set di dati di convalida e test se specifichi la quantità di dati di addestramento da utilizzare in ciascuno (in percentuale).
  2. Rimuove le righe in cui mancano più del 10% di funzionalità.

  3. Compila i campi dei valori mancanti. La media viene utilizzata per le colonne numeriche, mentre gli zeri vengono utilizzati per le colonne categoriche. Vedi un esempio di seguito.

  4. Per ogni colonna categorica con vocabolario e trattamento di identità, AI Platform Training esegue la codifica one-hot sui valori della colonna. Vedi un esempio di seguito.

  5. Per ogni colonna categorica con trattamento hashing, AI Platform Training utilizza FeatureHasher di scikit-learn per eseguire l'hashing delle funzionalità. Il numero di caratteristiche conteggiate in precedenza determina il numero di bucket di hash.

  6. Ogni colonna designata con un trattamento row_key o costante viene rimossa.

Esempi di trasformazioni

Le righe con il 10% di valori mancanti vengono rimosse. Negli esempi seguenti, supponiamo che la riga abbia 10 valori. Per semplicità, ogni riga di esempio viene troncata.

Problema con la riga Valori originali Valori trasformati Spiegazione
Riga di esempio senza valori mancanti [3, 0,45, ...,
'fruits', 0, 1]		 [3; 0,45; ...,
1, 0, 0, 0, 1]		 La stringa "fruits" viene trasformata nei valori "1, 0, 0" nella codifica one-hot.
Troppi valori mancanti [3, 0,45, ...,
'frutti', __, __]		 La riga è stata rimossa Manca più del 10% dei valori nella riga.
Valore numerico mancante [3, 0,45, ...,
'fruits', 0, __]		 [3; 0,45; ...,
1; 0; 0; 0; 0,54]
  • Il valore medio della colonna sostituisce il valore numerico mancante. In questo esempio, la media è 0,54.
  • La stringa "fruits" viene trasformata nei valori "1, 0, 0" nella codifica one-hot.
Valore categoriale mancante [3; 0,45; ...,
__, 0, 1]		 [3; 0,45; ...,
0, 0, 0, 0, 1]
  • Il valore categorico mancante viene trasformato nei valori "0, 0, 0" nella codifica one-hot.

Una volta completata la pre-elaborazione automatica, AI Platform Training carica di nuovo il set di dati elaborato nel bucket Cloud Storage nella directory specificata nella richiesta del job.

Passaggi successivi

Indietro
Introduzione all'algoritmo XGBoost
Avanti
Addestramento con l'impiego dell'algoritmo XGBoost distribuito integrato