Klassificering

Grunderna i Big Data med PySpark

Upendra Devisetty

Science Analyst, CyVerse

Klassificering med PySpark MLlib

Klassificering är en övervakad maskininlärningsalgoritm som sorterar indata i olika kategorier

Logistisk regression förutsäger ett binärt utfall baserat på ett antal variabler

PySpark MLlib innehåller de specifika datatyperna Vectors och LabelledPoint
Två typer av vektorer
- Dense Vector: lagrar alla värden i en array med flyttal
- Sparse Vector: lagrar bara nollskilda värden och deras index

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})

En LabeledPoint är en wrapper för indatasärdrag och förutsagt värde
Vid binär klassificering med logistisk regression är en etikett antingen 0 (negativ) eller 1 (positiv)

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])

Algoritmen HashingTF() används för att mappa särdragsvärden till index i särdragsvektorn

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})

Logistisk regression i PySpark MLlib utförs med klassen 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

Grunderna i Big Data med PySpark