Búsqueda en cuadrícula

Machine learning con PySpark

Andrew Collier

Data Scientist, Fathom Data

Elegir un valor de parámetro óptimo

Coches (otra vez)

cars.select('mass', 'cyl', 'consumption').show(5)

+------+---+-----------+
|  mass|cyl|consumption|
+------+---+-----------+
|1451.0|  6|       9.05|
|1129.0|  4|       6.53|
|1399.0|  4|       7.84|
|1147.0|  4|       7.84|
|1111.0|  4|       9.05|
+------+---+-----------+

Consumo con término independiente

Regresión lineal con término independiente. Ajusta al conjunto de entrenamiento.

regression = LinearRegression(labelCol='consumption', fitIntercept=True)
regression = regression.fit(cars_train)

Calcula el RMSE en el conjunto de prueba.

evaluator.evaluate(regression.transform(cars_test))

# RMSE del modelo con término independiente
0.745974203928479

Consumo sin término independiente

Regresión lineal sin término independiente. Ajusta al conjunto de entrenamiento.

regression = LinearRegression(labelCol='consumption', fitIntercept=False)
regression = regression.fit(cars_train)

Calcula el RMSE en el conjunto de prueba.

# RMSE del modelo sin término independiente (segundo modelo)
0.852819012439

# RMSE del modelo con término independiente    (primer modelo)
0.745974203928

Cuadrícula de parámetros

from pyspark.ml.tuning import ParamGridBuilder

# Crear un generador de cuadrícula de parámetros
params = ParamGridBuilder()

# Añadir puntos de la cuadrícula
params = params.addGrid(regression.fitIntercept, [True, False])

# Construir la cuadrícula
params = params.build()


# ¿Cuántos modelos?
print('Number of models to be tested: ', len(params))

Number of models to be tested:  2

Búsqueda en cuadrícula con validación cruzada

Crea un validador cruzado y ajústalo con los datos de entrenamiento.

cv = CrossValidator(estimator=regression,
                    estimatorParamMaps=params,
                    evaluator=evaluator)
cv = cv.setNumFolds(10).setSeed(13).fit(cars_train)

¿Cuál es el RMSE validado cruzadamente para cada modelo?

cv.avgMetrics

[0.800663722151, 0.907977823182]

Mejor modelo y parámetros

# Acceder al mejor modelo
cv.bestModel

O usa directamente el objeto de validación cruzada.

predictions = cv.transform(cars_test)

Recupera el mejor parámetro.

cv.bestModel.explainParam('fitIntercept')

'fitIntercept: whether to fit an intercept term (default: True, current: True)'

Una cuadrícula más compleja

params = ParamGridBuilder() \
            .addGrid(regression.fitIntercept, [True, False]) \

            .addGrid(regression.regParam, [0.001, 0.01, 0.1, 1, 10]) \

            .addGrid(regression.elasticNetParam, [0, 0.25, 0.5, 0.75, 1]) \
            .build()

¿Cuántos modelos ahora?

print ('Number of models to be tested: ', len(params))

Number of models to be tested:  50

¡Encuentra los mejores parámetros!

Machine learning con PySpark