Busca em grade

Machine learning com PySpark

Andrew Collier

Data Scientist, Fathom Data

Escolhendo um valor de parâmetro ideal

Carros revisitado (de novo)

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 com intercepto

Regressão linear com intercepto. Ajuste nos dados de treino.

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

Calcule o RMSE nos dados de teste.

evaluator.evaluate(regression.transform(cars_test))

# RMSE do modelo com intercepto
0.745974203928479

Consumo sem intercepto

Regressão linear sem intercepto. Ajuste nos dados de treino.

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

Calcule o RMSE nos dados de teste.

# RMSE do modelo sem intercepto (segundo modelo)
0.852819012439

# RMSE do modelo com intercepto    (primeiro modelo)
0.745974203928

Grade de parâmetros

from pyspark.ml.tuning import ParamGridBuilder

# Crie um construtor de grade de parâmetros
params = ParamGridBuilder()

# Adicione pontos à grade
params = params.addGrid(regression.fitIntercept, [True, False])

# Construa a grade
params = params.build()


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

Number of models to be tested:  2

Busca em grade com validação cruzada

Crie um validador cruzado e ajuste nos dados de treino.

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

Qual é o RMSE com validação cruzada de cada modelo?

cv.avgMetrics

[0.800663722151, 0.907977823182]

Melhor modelo e parâmetros

# Acesse o melhor modelo
cv.bestModel

Ou use o objeto do validador cruzado.

predictions = cv.transform(cars_test)

Recupere o melhor parâmetro.

cv.bestModel.explainParam('fitIntercept')

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

Uma grade mais complexa

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()

Quantos modelos agora?

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

Number of models to be tested:  50

Encontre os melhores parâmetros!

Machine learning com PySpark