Pencarian Grid

Machine Learning dengan PySpark

Andrew Collier

Data Scientist, Fathom Data

Memilih nilai parameter optimal

Mobil dibahas lagi

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

Konsumsi bahan bakar dengan intersep

Regresi linear dengan intersep. Fit ke data latih.

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

Hitung RMSE pada data uji.

evaluator.evaluate(regression.transform(cars_test))

# RMSE untuk model dengan intersep
0.745974203928479

Konsumsi bahan bakar tanpa intersep

Regresi linear tanpa intersep. Fit ke data latih.

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

Hitung RMSE pada data uji.

# RMSE untuk model tanpa intersep (model kedua)
0.852819012439

# RMSE untuk model dengan intersep    (model pertama)
0.745974203928

Grid parameter

from pyspark.ml.tuning import ParamGridBuilder

# Create a parameter grid builder
params = ParamGridBuilder()

# Add grid points
params = params.addGrid(regression.fitIntercept, [True, False])

# Construct the grid
params = params.build()


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

Number of models to be tested:  2

Pencarian grid dengan validasi silang

Buat cross-validator dan fit ke data latih.

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

Berapa RMSE tervalidasi-silang untuk tiap model?

cv.avgMetrics

[0.800663722151, 0.907977823182]

Model & parameter terbaik

# Access the best model
cv.bestModel

Atau gunakan objek cross-validator.

predictions = cv.transform(cars_test)

Ambil parameter terbaik.

cv.bestModel.explainParam('fitIntercept')

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

Grid yang lebih kompleks

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()

Sekarang ada berapa model?

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

Number of models to be tested:  50

Temukan parameter terbaik!

Machine Learning dengan PySpark