Pipeline

Machine Learning with PySpark

Andrew Collier

Data Scientist, Fathom Data

Únik dat?

Metoda fit()

Pouze pro trénovací data.

Metoda transform()

Pro testovací i trénovací data.

Model s únikem dat

Model, kde jsou testovací data použita při tréninku

Model bez úniku dat

Model, kde jsou k tréninku použita pouze trénovací data

Pipeline

Pipeline se skládá z řady operací.

Pipeline s více fázemi

Každou operaci lze aplikovat jednotlivě… nebo stačí aplikovat celou pipeline!

Model aut: Kroky

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')

Model aut: Aplikace kroků

Trénovací data

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)

Testovací data

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)

Model aut: Pipeline

Sloučení kroků do pipeline.

from pyspark.ml import Pipeline

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

Trénovací data

pipeline = pipeline.fit(cars_train)

Testovací data

predictions = pipeline.transform(cars_test)

Model aut: Fáze

Přístup k jednotlivým fázím pomocí atributu .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])

Pipeline zjednodušují pracovní postup!

Machine Learning with PySpark