Clasificación

Fundamentos de big data con PySpark

Upendra Devisetty

Science Analyst, CyVerse

Clasificación con PySpark MLlib

La clasificación es un aprendizaje supervisado que asigna los datos a distintas categorías

PySpark MLlib incluye los tipos de datos Vectors y LabeledPoint
Dos tipos de Vectors
- Dense Vector: guarda todas las entradas en un array de números en coma flotante
- Sparse Vector: guarda solo los valores no nulos y sus índices

denseVec = Vectors.dense([1.0, 2.0, 3.0])

DenseVector([1.0, 2.0, 3.0])

sparseVec = Vectors.sparse(4, {1: 1.0, 3: 5.5})

SparseVector(4, {1: 1.0, 3: 5.5})

LabeledPoint es un contenedor de las features de entrada y la etiqueta
En clasificación binaria con regresión logística, la etiqueta es 0 (negativa) o 1 (positiva)

positive = LabeledPoint(1.0, [1.0, 0.0, 3.0])
negative = LabeledPoint(0.0, [2.0, 1.0, 1.0])
print(positive)
print(negative)

LabeledPoint(1.0, [1.0,0.0,3.0])
LabeledPoint(0.0, [2.0,1.0,1.0])

El algoritmo HashingTF() mapea valores de features a índices en el vector de features

from pyspark.mllib.feature import HashingTF
sentence = "hello hello world"
words = sentence.split()
tf = HashingTF(10000) 
tf.transform(words)

SparseVector(10000, {3065: 1.0, 6861: 2.0})

La regresión logística en PySpark MLlib se hace con la clase LogisticRegressionWithLBFGS

data = [
        LabeledPoint(0.0, [0.0, 1.0]),
        LabeledPoint(1.0, [1.0, 0.0]),
]
RDD = sc.parallelize(data)

lrm = LogisticRegressionWithLBFGS.train(RDD)

lrm.predict([1.0, 0.0])
lrm.predict([0.0, 1.0])

1
0

Fundamentos de big data con PySpark