Pipeline

Machine Learning con PySpark

Andrew Collier

Data Scientist, Fathom Data

Leakage?

Il metodo fit()

Solo per i dati di training.

Il metodo transform()

Per dati di test e di training.

Machine Learning con PySpark

Un modello con leakage

Modello in cui i dati di test sono usati per il training

Machine Learning con PySpark

Un modello a tenuta stagna

Modello in cui solo i dati di training sono usati per il training

Machine Learning con PySpark

Pipeline

Una pipeline è una serie di operazioni.

Una pipeline con più fasi

Puoi applicare ogni operazione singolarmente... oppure applicare direttamente la pipeline!

Machine Learning con PySpark

Modello auto: passaggi

indexer = StringIndexer(inputCol='type', outputCol='type_idx')

onehot = OneHotEncoder(inputCols=['type_idx'], outputCols=['type_dummy'])

assemble = VectorAssembler(
  inputCols=['mass', 'cyl', 'type_dummy'],
  outputCol='features'
)

regression = LinearRegression(labelCol='consumption')
Machine Learning con PySpark

Modello auto: applicare i passaggi

Dati di training

indexer = indexer.fit(cars_train)
cars_train = indexer.transform(cars_train)

onehot = onehot.fit(cars_train)
cars_train = onehot.transform(cars_train)

cars_train = assemble.transform(cars_train)

# Fit model to training data
regression = regression.fit(cars_train)

Dati di test

cars_test  = indexer.transform(cars_test)

cars_test  = onehot.transform(cars_test)

cars_test  = assemble.transform(cars_test)

# Make predictions on testing data
predictions = regression.transform(cars_test)
Machine Learning con PySpark

Modello auto: pipeline

Combina i passaggi in una pipeline.

from pyspark.ml import Pipeline

pipeline = Pipeline(stages=[indexer, onehot, assemble, regression])

Dati di training

pipeline = pipeline.fit(cars_train)

Dati di test

predictions = pipeline.transform(cars_test)
Machine Learning con PySpark

Modello auto: fasi

Accedi alle singole fasi con l’attributo .stages.

# The LinearRegression object (fourth stage -> index 3)
pipeline.stages[3]


print(pipeline.stages[3].intercept)

4.19433571782916

print(pipeline.stages[3].coefficients)

DenseVector([0.0028, 0.2705, -1.1813, -1.3696, -1.1751, -1.1553, -1.8894])
Machine Learning con PySpark

Le pipeline semplificano il workflow!

Machine Learning con PySpark

Preparing Video For Download...