Training mit dem integrierten XGBoost-Algorithmus

Wenn Sie integrierte Algorithmen für das Training in AI Platform Training verwenden, können Sie Ihr Dataset zum Trainieren eines Modells einreichen, ohne Trainingscode schreiben zu müssen. Auf dieser Seite werden die Funktionsweise und die Verwendung des integrierten XGBoost-Algorithmus erläutert.

Übersicht

Der integrierte XGBoost-Algorithmus ist ein Wrapper für den XGBoost-Algorithmus, der für die Ausführung in AI Platform Training geeignet ist.

In diesem Dokument wird eine Version des Algorithmus beschrieben, die auf einem einzelnen Replikat einer virtuellen Maschine ausgeführt wird. Es gibt auch eine verteilte Version dieses Algorithmus, die mehrere virtuelle Maschinen zum Trainieren verwendet und eine etwas andere Nutzung erfordert. Dieser Algorithmus besteht aus zwei Phasen:

1. Vorverarbeitung: Zur Vorbereitung des Trainings mit XGBoost verarbeitet AI Platform Training Ihren Mix aus kategorialen und numerischen Daten zu einem komplett numerischen Dataset.
2. Training: AI Platform Training führt das Training mit dem XGBoost-Algorithmus anhand Ihres Datasets und Ihrer Modellparameter durch. Die derzeitige Implementierung basiert auf der XGBoost-Version 0.81.

Beschränkungen

Die folgenden Features werden für das Training mit dem integrierten XGBoost-Algorithmus nicht unterstützt:

• Training mit GPUs: Verwenden Sie zum Trainieren mit GPUs den integrierten verteilten XGBoost-Algorithmus.
• Verteiltes Training: Verwenden Sie zum Ausführen eines verteilten Trainingsjobs den integrierten verteilten XGBoost-Algorithmus.

Unterstützte Maschinentypen

Folgende AI Platform Training-Skalierungsstufen und -Maschinentypen werden unterstützt:

• Skalierungsstufe BASIC
• Skalierungsstufe CUSTOM mit beliebigen von AI Platform Training unterstützten Compute Engine-Maschinentypen
• Skalierungsstufe CUSTOM mit einem der folgenden Legacy-Maschinentypen:
  • standard
  • large_model
  • complex_model_s
  • complex_model_m
  • complex_model_l

Eingabedaten formatieren

XGBoost arbeitet mit numerischen Tabellendaten. Jede Zeile eines Datasets stellt eine Instanz dar und jede Spalte eines Datasets einen Merkmalswert. Die Zielspalte stellt den Wert dar, den Sie vorhersagen möchten.

CSV-Datei vorbereiten

Ihre Eingabedaten müssen in einer CSV-Datei mit UTF-8-Codierung vorliegen. Wenn Ihre Trainingsdaten nur aus kategorialen und numerischen Werten bestehen, können Sie mit unserem Vorverarbeitungsmodul kategoriale in numerische Werte konvertieren. Andernfalls können Sie das Training auch ohne automatische Vorverarbeitung ausführen.

Damit Ihre CSV-Eingabedatei die Anforderungen erfüllt, müssen Sie sie so vorbereiten:

• Die Kopfzeile muss entfernt werden. Die Kopfzeile enthält die Labels für die einzelnen Spalten. Entfernen Sie sie, damit sie nicht mit dem Rest der Dateninstanzen als Teil der Trainingsdaten gesendet wird.
• Die Zielspalte muss die erste Spalte sein. Die Zielspalte enthält den Wert, den Sie vorhersagen möchten. Bei einem Klassifizierungsalgorithmus werden alle Werte in der Zielspalte als Klasse oder Kategorie dargestellt. Bei einem Regressionsalgorithmus sind alle Werte in der Zielspalte numerische Werte.

Ganzzahlige Werte verarbeiten

Da Ganzzahlwerte mehrdeutig sein können, gestaltet sich die automatische Vorverarbeitung bei Spalten mit Ganzzahlwerten problematisch. AI Platform Training bestimmt automatisch, wie Ganzzahlwerte verarbeitet werden. Standard:

• Wenn jeder Ganzzahlwert eindeutig ist, wird die Spalte als Instanzschlüssel behandelt.
• Wenn es nur wenige eindeutige Ganzzahlwerte gibt, wird die Spalte als kategorial behandelt.
• Andernfalls werden die Werte in der Spalte in eine Gleitkommazahl umgewandelt und als numerisch behandelt.

So überschreiben Sie diese Standardbestimmungen:

• Wenn die Daten als numerisch behandelt werden sollen, konvertieren Sie alle Ganzzahlwerte in der Spalte in einen Gleitkommawert, z. B. {101.0, 102.0, 103.0}.
• Wenn die Daten als kategorial behandelt werden sollen, stellen Sie allen Ganzzahlwerten in der Spalte ein nicht numerisches Präfix voran, z. B. {code_101, code_102, code_103}

Zielwerte für Regression normalisieren

Achten Sie bei Regressionstrainingsjobs darauf, Ihre Zielwerte so zu normalisieren, dass jeder Wert zwischen 0 und 1 liegt.

Cloud Storage-Bucket-Berechtigungen prüfen

Speichern Sie Ihre Daten in einem Cloud Storage-Bucket desselben Google Cloud-Projekts, in dem Sie AI Platform Training-Jobs ausführen. Gewähren Sie andernfalls AI Platform Training Zugriff auf den Cloud Storage-Bucket, in dem Ihre Daten gespeichert sind.

XGBoost-Trainingsjob senden

In diesem Abschnitt wird erläutert, wie Sie einen integrierten XGBoost-Trainingsjob senden.

Eine kurze Erläuterung der einzelnen Hyperparameter finden Sie in der Google Cloud Console. Eine ausführlichere Erläuterung finden Sie in der Referenz zum integrierten XGBoost-Algorithmus.

Funktionsweise der Vorverarbeitung

Die automatische Vorverarbeitung kann für kategoriale und numerische Daten verwendet werden. Durch die Vorverarbeitungsroutine werden die Daten zuerst analysiert und dann transformiert.

Analyse

Als Erstes erfasst AI Platform Training automatisch den Datentyp jeder Spalte. Anschließend stellt der Dienst fest, wie die einzelnen Spalten verarbeitet werden sollen, und berechnet eine Statistik zu den Daten in der Spalte. Diese Informationen werden in der Datei metadata.json erfasst.

Über die Analyse des Zielspaltentyps stellt AI Platform Training fest, ob das angegebene Dataset zur Regression oder zur Klassifizierung bestimmt ist. Wenn diese Analyse Ihrer Auswahl für objective widerspricht, wird ein Fehler ausgegeben. Geben Sie explizit an, wie die Zielspalte verarbeitet werden soll, d. h., formatieren Sie Ihre Daten eindeutig, wenn sie mehrdeutig sind.

• Typ: Die Spalte kann numerisch oder kategorial sein.

• Verarbeitung: AI Platform Training stellt so die jeweils nötige Verarbeitung jeder Spalte fest:

  • Wenn die Spalte in allen Zeilen den gleichen Wert enthält, wird sie als Konstante verarbeitet.
  • Wenn die Spalte kategorial ist und in allen Zeilen eindeutige Werte enthält, wird sie als row_identifier verarbeitet.
  • Wenn die Spalte numerisch ist und Gleitkommawerte enthält oder wenn sie numerisch ist und ganzzahlige Werte enthält, von denen viele eindeutige Werte sind, wird die Spalte als numerisch verarbeitet.
  • Wenn die Spalte numerisch ist und ganzzahlige Werte enthält, von denen nur wenige eindeutige Werte sind, wird die Spalte als kategoriale Spalte verarbeitet. Dabei sind die ganzzahligen Werte entweder die Identität oder das Vokabular.
    • Es wird davon ausgegangen, dass eine Spalte nur wenige eindeutige Werte enthält, wenn die Anzahl der eindeutigen Werte in der Spalte bei unter 20 % der Zeilenanzahl im Eingabe-Dataset liegt.
  • Wenn die Spalte kategorial ist und eine hohe Kardinalität hat, wird die Spalte mit Hashing verarbeitet. Die Anzahl der Hash-Buckets entspricht dabei der Quadratwurzel der Anzahl von eindeutigen Werten in der Spalte.
    • Eine kategoriale Spalte wird als Spalte mit hoher Kardinalität angesehen, wenn die Anzahl der eindeutigen Werte größer ist als die Quadratwurzel der Zeilenanzahl im Dataset.
  • Wenn die Spalte kategorial und die Anzahl der eindeutigen Werte kleiner oder gleich der Quadratwurzel der Zeilenanzahl im Dataset ist, wird die Spalte als normale kategoriale Spalte mit Vokabular verarbeitet.

• Statistik: AI Platform Training berechnet die folgenden statistischen Werte anhand des ermittelten Spaltentyps und der Verarbeitung für die spätere Transformation der Spalte.

  • Wenn die Spalte numerisch ist, werden Mittel- und Varianzwerte berechnet.
  • Wenn die Spalte kategorial ist und die Werte als Identität oder Vokabular verarbeitet werden, werden die einzelnen Werte aus der Spalte extrahiert.
  • Wenn die Spalte kategorial ist und mit Hashing behandelt wird, wird die Anzahl der Hash-Buckets in Relation zur Kardinalität der Spalte berechnet.

Transformation

Nachdem die erste Analyse des Datasets abgeschlossen ist, transformiert AI Platform Training Ihre Daten anhand der Typen, Verarbeitungen und Statistikdaten, die auf Ihr Dataset angewendet werden. AI Platform Training führt die Transformationen in der folgenden Reihenfolge durch:

1. Das Trainings-Dataset wird in Validierungs- und Test-Datasets aufgeteilt, wenn Sie die jeweils zu verwendende Menge an Trainingsdaten (als Prozentsatz) angeben.
2. Zeilen, in denen mehr als 10 % der Merkmale fehlen, werden entfernt.

3. Fehlende Werte werden ergänzt. Für numerische Spalten wird der Mittelwert verwendet, für kategoriale Spalten werden Nullen verwendet. Ein Beispiel sehen Sie unten.

4. Für jede kategoriale Spalte mit Vokabular und Identitätsbehandlung führt AI Platform Training eine One-Hot-Codierung für die Spaltenwerte durch. Ein Beispiel sehen Sie unten.

5. Für jede kategoriale Spalte mit Hashing-Behandlung verwendet AI Platform Training FeatureHasher von scikit-learn, um Merkmal-Hashing durchzuführen. Die Anzahl der zuvor gezählten Merkmale bestimmt die Anzahl der Hash-Buckets.

6. Alle zur Verarbeitung als row_key oder Konstante gekennzeichneten Spalten werden entfernt.

Beispieltransformationen

Zeilen, in denen 10 % der Werte fehlen, werden entfernt. In den folgenden Beispielen wird angenommen, dass die Zeile 10 Werte enthält. Der Einfachheit halber ist jede Beispielzeile abgeschnitten.

Nach Abschluss der automatischen Vorverarbeitung lädt AI Platform Training das vorverarbeitete Dataset wieder in Ihren Cloud Storage-Bucket in das Verzeichnis hoch, das Sie in der Jobanfrage angegeben haben.

Nächste Schritte

• XGBoost
• Referenz zum integrierten XGBoost mit Informationen zu den verschiedenen Parametern