Classificatie

Big Data Fundamentals met PySpark

Upendra Devisetty

Science Analyst, CyVerse

Classificatie met PySpark MLlib

PySpark MLlib bevat specifieke datatypen Vectors en LabeledPoint
Twee typen vectors
- Dense vector: slaat alle waarden op in een array van floats
- Sparse vector: slaat alleen niet-nulwaarden en hun indexen op

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})

Een LabeledPoint is een wrapper voor features en label
Bij binaire classificatie (logistische regressie) is het label 0 (negatief) of 1 (positief)

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])

Het algoritme HashingTF() zet featurewaarden om naar indexen in de featurevector

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})

Logistische regressie met PySpark MLlib gebruik je via de klasse 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

Big Data Fundamentals met PySpark