Grid Search

Maschinelles Lernen mit PySpark

Andrew Collier

Data Scientist, Fathom Data

Optimale Parameterwerte wählen

Cars revisited (again)

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|
+------+---+-----------+

Kraftstoffverbrauch mit Achsenabschnitt

Lineare Regression mit Achsenabschnitt. Auf Trainingsdaten fitten.

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

Berechne das RMSE auf den Testdaten.

evaluator.evaluate(regression.transform(cars_test))

# RMSE für Modell mit Achsenabschnitt
0.745974203928479

Kraftstoffverbrauch ohne Achsenabschnitt

Lineare Regression ohne Achsenabschnitt. Auf Trainingsdaten fitten.

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

Berechne das RMSE auf den Testdaten.

# RMSE für Modell ohne Achsenabschnitt (zweites Modell)
0.852819012439

# RMSE für Modell mit Achsenabschnitt    (erstes Modell)
0.745974203928

Parameter-Grid

from pyspark.ml.tuning import ParamGridBuilder

# Erstelle einen Parameter-Grid-Builder
params = ParamGridBuilder()

# Gitterpunkte hinzufügen
params = params.addGrid(regression.fitIntercept, [True, False])

# Grid konstruieren
params = params.build()


# Wie viele Modelle?
print('Number of models to be tested: ', len(params))

Number of models to be tested:  2

Grid Search mit Cross-Validation

Erstelle einen Cross-Validator und fitte auf die Trainingsdaten.

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

Wie hoch ist das Cross-Validated RMSE je Modell?

cv.avgMetrics

[0.800663722151, 0.907977823182]

Bestes Modell & Parameter

# Auf das beste Modell zugreifen
cv.bestModel

Oder nutze einfach das Cross-Validator-Objekt.

predictions = cv.transform(cars_test)

Besten Parameter auslesen.

cv.bestModel.explainParam('fitIntercept')

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

Ein komplexeres Grid

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()

Wie viele Modelle jetzt?

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

Number of models to be tested:  50

Finde die besten Parameter!

Maschinelles Lernen mit PySpark