Классификация

Основы Big Data с PySpark

Upendra Devisetty

Science Analyst, CyVerse

Классификация с помощью PySpark MLlib

Классификация — это алгоритм обучения с учителем, который распределяет входные данные по категориям

Логистическая регрессия предсказывает бинарный отклик на основе заданных переменных

PySpark MLlib содержит специальные типы данных: Vectors и LabelledPoint
Два типа векторов
- Dense Vector: хранит все элементы в массиве чисел с плавающей точкой
- Sparse Vector: хранит только ненулевые значения и их индексы

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})

LabeledPoint — это обёртка для входных признаков и предсказываемого значения
При бинарной классификации в логистической регрессии метка равна 0 (отрицательный) или 1 (положительный)

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])

Алгоритм HashingTF() используется для отображения значений признаков на индексы вектора признаков

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})

Логистическая регрессия в PySpark MLlib реализуется с помощью класса 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

Основы Big Data с PySpark