Regresie

Machine Learning cu PySpark

Andrew Collier

Data Scientist, Fathom Data

Consum față de masă: dispersie

Diagramă de dispersie consum combustibil față de masă

Machine Learning cu PySpark

Consum față de masă: ajustare

Diagramă de dispersie consum combustibil față de masă cu ajustare liniară

Machine Learning cu PySpark

Consum față de masă: ajustări alternative

Diagramă de dispersie consum combustibil față de masă cu ajustare liniară și alternative

Machine Learning cu PySpark

Consum față de masă: reziduuri

Diagramă de dispersie consum combustibil față de masă cu ajustare liniară și reziduuri

Machine Learning cu PySpark

Funcție de pierdere

 

 

Funcția de pierdere Mean Square Error

MSE = "Mean Squared Error"

Machine Learning cu PySpark

Funcție de pierdere: valori observate

 

 

Funcția de pierdere Mean Square Error

$y_i$ — valori observate

Machine Learning cu PySpark

Funcție de pierdere: valori model

 

 

Funcția de pierdere Mean Square Error

$y_i$ — valori observate

$\hat{y_i}$ — valori model

Machine Learning cu PySpark

Funcție de pierdere: medie

 

 

Funcția de pierdere Mean Square Error

$y_i$ — valori observate

$\hat{y_i}$ — valori model

Machine Learning cu PySpark

Asamblarea predictorilor

Preziceți consumption folosind mass, cyl și type_dummy.

Consolidați predictorii într-o singură coloană.

+------+---+-------------+----------------------------+-----------+
|mass  |cyl|type_dummy   |features                    |consumption|
+------+---+-------------+----------------------------+-----------+
|1451.0|6  |(5,[0],[1.0])|(7,[0,1,2],[1451.0,6.0,1.0])|9.05       |
|1129.0|4  |(5,[2],[1.0])|(7,[0,1,4],[1129.0,4.0,1.0])|6.53       |
|1399.0|4  |(5,[2],[1.0])|(7,[0,1,4],[1399.0,4.0,1.0])|7.84       |
|1147.0|4  |(5,[1],[1.0])|(7,[0,1,3],[1147.0,4.0,1.0])|7.84       |
|1111.0|4  |(5,[3],[1.0])|(7,[0,1,5],[1111.0,4.0,1.0])|9.05       |
+------+---+-------------+----------------------------+-----------+
Machine Learning cu PySpark

Construirea modelului de regresie

from pyspark.ml.regression import LinearRegression

regression = LinearRegression(labelCol='consumption')

Antrenați pe cars_train (date de antrenament).

regression = regression.fit(cars_train)

Preziceți pe cars_test (date de test).

predictions = regression.transform(cars_test)
Machine Learning cu PySpark

Examinarea predicțiilor

+-----------+------------------+
|consumption|prediction        |
+-----------+------------------+
|7.84       |8.92699470743403  |
|9.41       |9.379295891451353 |
|8.11       |7.23487264538364  |
|9.05       |9.409860194333735 |
|7.84       |7.059190923328711 |
|7.84       |7.785909738591766 |
|7.59       |8.129959405168547 |
|5.11       |6.836843743852942 |
|8.11       |7.17173702652015  |
+-----------+------------------+

Diagramă de dispersie predicții vs. valori reale

Machine Learning cu PySpark

Calculul RMSE

from pyspark.ml.evaluation import RegressionEvaluator

# Find RMSE (Root Mean Squared Error)
RegressionEvaluator(labelCol='consumption').evaluate(predictions)

0.708699086182001

Un RegressionEvaluator poate calcula și următoarele metrici:

  • mae (Eroare absolută medie)
  • r2 ($R^2$)
  • mse (Eroare pătratică medie).
Machine Learning cu PySpark

Consum față de masă: intercept

Grafic care arată interceptul modelului

Machine Learning cu PySpark

Examinarea interceptului

regression.intercept

4.9450616833727095

Acesta este consumul de combustibil în cazul (ipotetic) în care:

  • mass = 0
  • cyl = 0 și
  • tipul vehiculului este 'Van'.
Machine Learning cu PySpark

Consum față de masă: pantă

Grafic care arată panta modelului

Machine Learning cu PySpark

Examinarea coeficienților

regression.coefficients

DenseVector([0.0027, 0.1897, -1.309, -1.7933, -1.3594, -1.2917, -1.9693])

mass        0.0027
cyl         0.1897

Midsize    -1.3090
Small      -1.7933
Compact    -1.3594
Sporty     -1.2917
Large      -1.9693
Machine Learning cu PySpark

Regresie pentru predicții numerice

Machine Learning cu PySpark

Preparing Video For Download...