给定一个分组列,分层采样算法组件按照些列的不同值,将输入数据分成不同的组,并在每组中分别进行随机采样。

PAI-Studio支持通过可视化或PAI命令的方式,配置该组件参数:
  • 可视化方式
    页签 参数 描述
    字段设置 分组列 选择分组列字段,分层按照此列划分。
    参数设置 采样个数 取值为正整数。
    采样比例 取值为浮点数,范围(0,1)
    随机数种子值 系统自动生成,默认值为1234567。
    执行调优 核心数 取值为正在数,默认系统自动分配。
    每个核内存大小 取值为正整数,范围(1, 65536),默认系统自动分配。
  • PAI命令方式
    PAI -name StratifiedSample
        -project algo_public \
        -DinputTableName="test_input" \
        -DoutputTableName="test_output" \
        -DstrataColName="label" \
        -DsampleSize="A:200,B:300,C:500" \
        -DrandomSeed=1007 \
        -Dlifecycle=30;
    参数名称 是否必选 参数描述 默认值
    inputTableName 输入表的名称
    inputTablePartitions 输入表中,参与训练的分区。支持以下格式:
    • Partition_name=value
    • name1=value1/name2=value2:多级格式
    说明 如果指定多个分区,则使用半角逗号(,)分隔。
    所有分区
    outputTableName 输出结果表
    strataColName 层次列,即按照此列作为key分层。
    sampleSize 采样个数
    • 正整数:表示每个层的采样个数。
    • 字符串:格式为strata0:n0,strata1:n1,表示每个层分别配置的采样个数。
    说明
    • 当sampleSize与sampleRatio都为空时,系统会报错。
    • 当sampleSize与sampleRatio都不为空时,以sampleSize为准。
    sampleRatio 采样比例
    • 数字:范围(0,1),表示每个stratum的采样比例。
    • 字符串:格式为strata0:r0,strata1:r1,表示每个层分别配置采样比例。
    randomSeed 随机数种子,取值范围为正整数。 123456
    lifecycle 输出表的生命周期,取值范围为[1,3650]
    coreNum 计算的核心数目,取值范围为正整数。 系统自动分配
    memSizePerCore 每个核心的内存(单位是MB),取值范围为(1, 65536) 系统自动分配