格點搜尋
使用 PySpark 的機器學習
Andrew Collier
Data Scientist, Fathom Data
再次回到汽車資料
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|
+------+---+-----------+
含截距的油耗模型
具有截距的線性迴歸。以訓練資料擬合。
regression = LinearRegression(labelCol='consumption', fitIntercept=True)
regression = regression.fit(cars_train)
計算測試資料的 RMSE。
evaluator.evaluate(regression.transform(cars_test))
# RMSE for model with an intercept
0.745974203928479
不含截距的油耗模型
不含截距的線性迴歸。以訓練資料擬合。
regression = LinearRegression(labelCol='consumption', fitIntercept=False)
regression = regression.fit(cars_train)
計算測試資料的 RMSE。
# RMSE for model without an intercept (second model)
0.852819012439
# RMSE for model with an intercept (first model)
0.745974203928
參數格點
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
交叉驗證的格點搜尋
建立交叉驗證器並擬合訓練資料。
cv = CrossValidator(estimator=regression,
estimatorParamMaps=params,
evaluator=evaluator)
cv = cv.setNumFolds(10).setSeed(13).fit(cars_train)
每個模型的交叉驗證 RMSE 是多少？
cv.avgMetrics
[0.800663722151, 0.907977823182]
最佳模型與參數
# Access the best model
cv.bestModel
或直接使用交叉驗證器物件。
predictions = cv.transform(cars_test)
取回最佳參數。
cv.bestModel.explainParam('fitIntercept')
'fitIntercept: whether to fit an intercept term (default: True, current: True)'
更複雜的格點
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()
現在有多少個模型？
print ('Number of models to be tested: ', len(params))
Number of models to be tested: 50
找出最佳參數！
使用 PySpark 的機器學習
