Recherche exhaustive
Machine Learning avec PySpark
Andrew Collier
Data Scientist, Fathom Data
Voitures : encore une fois
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|
+------+---+-----------+
Consommation avec ordonnée à l'origine
Régression linéaire avec ordonnée à l'origine. Ajuster aux données d'entraînement.
regression = LinearRegression(labelCol='consumption', fitIntercept=True)
regression = regression.fit(cars_train)
Calculer la RMSE sur les données de test.
evaluator.evaluate(regression.transform(cars_test))
# RMSE pour le modèle avec ordonnée à l'origine
0.745974203928479
Consommation sans ordonnée à l'origine
Régression linéaire sans ordonnée à l'origine. Ajuster aux données d'entraînement.
regression = LinearRegression(labelCol='consumption', fitIntercept=False)
regression = regression.fit(cars_train)
Calculer la RMSE sur les données de test.
# RMSE pour le modèle sans ordonnée à l'origine (deuxième modèle)
0.852819012439
# RMSE pour le modèle avec ordonnée à l'origine (premier modèle)
0.745974203928
Grille de paramètres
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
Recherche exhaustive avec validation croisée
Créer un validateur croisé et l'ajuster aux données d'entraînement.
cv = CrossValidator(estimator=regression,
estimatorParamMaps=params,
evaluator=evaluator)
cv = cv.setNumFolds(10).setSeed(13).fit(cars_train)
Quelle est la RMSE validée croisée pour chaque modèle ?
cv.avgMetrics
[0.800663722151, 0.907977823182]
Meilleur modèle et paramètres
# Access the best model
cv.bestModel
Ou utilisez simplement l'objet de validation croisée.
predictions = cv.transform(cars_test)
Récupérer le meilleur paramètre.
cv.bestModel.explainParam('fitIntercept')
'fitIntercept: whether to fit an intercept term (default: True, current: True)'
Une grille plus complexe
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()
Combien de modèles maintenant ?
print ('Number of models to be tested: ', len(params))
Number of models to be tested: 50
Trouvez les meilleurs paramètres !
Machine Learning avec PySpark
