Grid Search

Maskininlärning med PySpark

Andrew Collier

Data Scientist, Fathom Data

Välja ett optimalt parametervärde

Bilar igen (igen)

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|
+------+---+-----------+

Bränsleförbrukning med intercept

Linjär regression med intercept. Anpassad till träningsdata.

regression = LinearRegression(labelCol='consumption', fitIntercept=True)
regression = regression.fit(cars_train)

Beräkna RMSE på testdata.

evaluator.evaluate(regression.transform(cars_test))

# RMSE for model with an intercept
0.745974203928479

Bränsleförbrukning utan intercept

Linjär regression utan intercept. Anpassad till träningsdata.

regression = LinearRegression(labelCol='consumption', fitIntercept=False)
regression = regression.fit(cars_train)

Beräkna RMSE på testdata.

# RMSE for model without an intercept (second model)
0.852819012439

# RMSE for model with an intercept    (first model)
0.745974203928

Parameterrutnät

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

Grid search med korsvalidering

Skapa en korsvalidator och anpassa den till träningsdata.

cv = CrossValidator(estimator=regression,
                    estimatorParamMaps=params,
                    evaluator=evaluator)
cv = cv.setNumFolds(10).setSeed(13).fit(cars_train)

Vad är det korsvaliderade RMSE-värdet för varje modell?

cv.avgMetrics

[0.800663722151, 0.907977823182]

Den bästa modellen och parametrarna

# Access the best model
cv.bestModel

Eller använd korsvalidatorobjektet direkt.

predictions = cv.transform(cars_test)

Hämta den bästa parametern.

cv.bestModel.explainParam('fitIntercept')

'fitIntercept: whether to fit an intercept term (default: True, current: True)'

Ett mer komplext rutnät

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()

Hur många modeller nu?

print ('Number of models to be tested: ', len(params))

Number of models to be tested:  50

Hitta de bästa parametrarna!

Maskininlärning med PySpark