当前位置:首页> AI教程> Spark机器学习库MLlib编程实践

Spark机器学习库MLlib编程实践

释放双眼,带上耳机,听听看~!
本文介绍了在Spark环境下使用MLlib进行机器学习编程实践,包括数据导入、主成分分析、分类模型训练和预测等操作。

Spark机器学习库MLlib编程实践

0. 写在前面

  • 操作系统:Linux(CentOS7.5)
  • Spark版本:Spark3.0.0
  • Scala版本:Scala2.12.1

1. 正文

1.1 案例目的

  • 通过实验掌握基本的MLLib编程方法;
  • 掌握用MLLib解决一些常见的数据分析问题,包括数据导入、成分分析和分类和预测等。

1.2 案例

1.2.1 数据导入

从文件中导入数据,并转化为DataFrame。

1.2.2 进行主成分分析(PCA

对6个连续型的数值型变量进行主成分分析。PCA(主成分分析)是通过正交变换把一组相关变量的观测值转化成一组线性无关的变量值,即主成分的一种方法。PCA通过使用主成分把特征向量投影到低维空间,实现对特征向量的降维。请通过setK()方法将主成分数量设置为3,把连续型的特征向量转化成一个3维的主成分。

1.2.3 训练分类模型并预测居民收入

在主成分分析的基础上,采用逻辑斯蒂回归,或者决策树模型预测居民收入是否超过50K;对Test数据集进行验证。

1.2.4 超参数调优

利用CrossValidator确定最优的参数,包括最优主成分PCA的维数、分类器自身的参数等。

1.3 数据集展示

  • 数据集

Spark机器学习库MLlib编程实践

  • 测试集

Spark机器学习库MLlib编程实践

1.4 程序编写

本案例是在Spark-Shell环境下执行的

  • (1)针对数据导入,提前导入必要的包,如下所示
import org.apache.spark.ml.feature.PCA
import org.apache.spark.sql.Row
import org.apache.spark.ml.linalg.{Vector,Vectors}
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.ml.{Pipeline,PipelineModel}
import org.apache.spark.ml.feature.{IndexToString, StringIndexer, VectorIndexer,HashingTF, Tokenizer}
import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.ml.classification.LogisticRegressionModel
import org.apache.spark.ml.classification.{BinaryLogisticRegressionSummary, LogisticRegression}
import org.apache.spark.sql.functions
import org.apache.spark.ml.tuning.{ CrossValidator, CrossValidatorModel, ParamGridBuilder }
  • 将数据集转换为DataFrame
import spark.implicits._
case class Adult(features: org.apache.spark.ml.linalg.Vector, label: String)

val df = sc.textFile("https://b2.7b2.com/export/server/spark-3.0.0-bin-hadoop3.2/adult.data.txt").map(_.split(",")).map(p => Adult(Vectors.dense(p(0).toDouble,p(2).toDouble,p(4).toDouble, p(10).toDouble, p(11).toDouble, p(12).toDouble), p(14).toString())).toDF()

Spark机器学习库MLlib编程实践

  • (2)读取数据集和测试集,进行主成分分析(PCA
val test = sc.textFile("/export/server/spark-3.0.0-bin-hadoop3.2/adult.test.txt").map(_.split(",")).map(p => Adult(Vectors.dense(p(0).toDouble,p(2).toDouble,p(4).toDoublep(10).toDoublep(11).toDoublep(12).toDouble), p(14).toString())).toDF()

val pca = new PCA().setInputCol("features").setOutputCol("pcaFeatures").setK(3).fit(df)
val result = pca.transform(df)
val testdata = pca.transform(test)

result.show(false)
testdata.show(false)

可以看到数据集和测试集导入成功,如下图所示:

  • 数据集

Spark机器学习库MLlib编程实践

  • 测试集

Spark机器学习库MLlib编程实践

  • (3)训练分类模型并预测居民收入
val labelIndexer = new StringIndexer().setInputCol("label").setOutputCol("indexedLabel").fit(result)
labelIndexer.labels.foreach(println)
val featureIndexer = new VectorIndexer().setInputCol("pcaFeatures").setOutputCol("indexedFeatures").fit(result)
println(featureIndexer.numFeatures)
val labelConverter = new IndexToString().setInputCol("prediction").setOutputCol("predictedLabel").setLabels(labelIndexer.labels)
val lr = new LogisticRegression().setLabelCol("indexedLabel").setFeaturesCol("indexedFeatures").setMaxIter(100)
val lrPipeline = new Pipeline().setStages(Array(labelIndexer, featureIndexer, lr, labelConverter))
val lrPipelineModel = lrPipeline.fit(result)
val lrModel = lrPipelineModel.stages(2).asInstanceOf[LogisticRegressionModel]
println("Coefficients: " + lrModel.coefficientMatrix+"Intercept: "+lrModel.interceptVector+"numClasses: "+lrModel.numClasses+"numFeatures: "+lrModel.numFeatures)
val lrPredictions = lrPipelineModel.transform(testdata)
val evaluator = new MulticlassClassificationEvaluator().setLabelCol("indexedLabel").setPredictionCol("prediction")

val lrAccuracy = evaluator.evaluate(lrPredictions)

println("Test Error = " + (1.0 - lrAccuracy))

预测的错误率如下图所示:

Spark机器学习库MLlib编程实践

  • (4)超参数调优
val pca = new PCA().setInputCol("features").setOutputCol("pcaFeatures")
val labelIndexer = new StringIndexer().setInputCol("label").setOutputCol("indexedLabel").fit(df)
val featureIndexer = new VectorIndexer().setInputCol("pcaFeatures").setOutputCol("indexedFeatures")
val labelConverter = new IndexToString().setInputCol("prediction").setOutputCol("predictedLabel").setLabels(labelIndexer.labels)
val lr = new LogisticRegression().setLabelCol("indexedLabel").setFeaturesCol("indexedFeatures").setMaxIter(100)
val lrPipeline = new Pipeline().setStages(Array(pca, labelIndexer, featureIndexer, lr, labelConverter))
val paramGrid = new ParamGridBuilder().addGrid(pca.k, Array(1,2,3,4,5,6)).addGrid(lr.elasticNetParam, Array(0.2,0.8)).addGrid(lr.regParam, Array(0.010.10.5)).build()

paramGrid的结果值如下所示:

paramGrid: Array[org.apache.spark.ml.param.ParamMap] =
Array({
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k1,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k2,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k3,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k4,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k5,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.2,
 pca_e02a5078c882-k6,
 logreg_9e1b758452ee-regParam0.01
}, {
 logreg_9e1b758452ee-elasticNetParam0.8,
 pca_e02a5078c882...
val cv = new CrossValidator().setEstimator(lrPipeline).setEvaluator(new MulticlassClassificationEvaluator().setLabelCol("indexedLabel").setPredictionCol("prediction")).setEstimatorParamMaps(paramGrid).setNumFolds(3)
val cvModel = cv.fit(df)
val lrPredictions=cvModel.transform(test)
val evaluator = new MulticlassClassificationEvaluator().setLabelCol("indexedLabel").setPredictionCol("prediction")
val lrAccuracy = evaluator.evaluate(lrPredictions)
println("准确率为"+lrAccuracy)
val bestModel= cvModel.bestModel.asInstanceOf[PipelineModel]
val lrModel = bestModel.stages(3).asInstanceOf[LogisticRegressionModel]
println("Coefficients: " + lrModel.coefficientMatrix + "Intercept: "+lrModel.interceptVector+ "numClasses: "+lrModel.numClasses+"numFeatures: "+lrModel.numFeatures)

Spark机器学习库MLlib编程实践

import org.apache.spark.ml.feature.PCAModel
val pcaModel = bestModel.stages(0).asInstanceOf[PCAModel]
println("Primary Component: " + pcaModel.pc)

请先提前导入org.apache.spark.ml.feature.PCAModel这个包

Spark机器学习库MLlib编程实践

全文结束!!!

本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

VBot浏览器插件:让你搜索技术问题更高效

2023-12-15 17:56:14

AI教程

阿里达摩院发布mPLUG-Owl:多模态大模型展示出优异能力

2023-12-15 18:10:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索