你们知道我在哪里可以找到Spark中多类分类的例子。我花了很多时间在书本和网络上搜索,到目前为止,我只知道根据文档的最新版本,这是可能的。Spark多类分类示例
回答
ML
(建议在星火2.0+)
我们将使用相同的数据如下MLlib。有两个基本选项。如果模型只支持二元分类(logistic回归),并延伸
val trainRawDf = trainRaw.toDF
import org.apache.spark.ml.feature.{Tokenizer, CountVectorizer, StringIndexer}
import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.classification.RandomForestClassifier
val transformers = Array(
new StringIndexer().setInputCol("group").setOutputCol("label"),
new Tokenizer().setInputCol("text").setOutputCol("tokens"),
new CountVectorizer().setInputCol("tokens").setOutputCol("features")
)
val rf = new RandomForestClassifier()
.setLabelCol("label")
.setFeaturesCol("features")
val model = new Pipeline().setStages(transformers :+ rf).fit(trainRawDf)
model.transform(trainRawDf)
o.a.s.ml.classification.Classifier
你可以使用一个-VS:如果Estimator
支持multilclass分类外的开箱(例如随机森林),你可以直接使用它-rest策略:
import org.apache.spark.ml.classification.OneVsRest
import org.apache.spark.ml.classification.LogisticRegression
val lr = new LogisticRegression()
.setLabelCol("label")
.setFeaturesCol("features")
val ovr = new OneVsRest().setClassifier(lr)
val ovrModel = new Pipeline().setStages(transformers :+ ovr).fit(trainRawDf)
MLLib
按照official documentation在这个时刻(MLlib 1.6.0)以下方法suppo RT多分类:
- 回归,
- 决策树,
- 随机森林,
- 朴素贝叶斯
至少一些例子使用多分类:
- Naive Bayes example - 3类
- Logistic regression - 10类分类器虽然只有2中的示例性数据
一般框架,忽略方法具体参数,几乎是相同的MLlib的所有其他方法。你必须预先处理您的输入来创建与代表label
和features
列,列数据帧:
root
|-- label: double (nullable = true)
|-- features: vector (nullable = true)
或RDD[LabeledPoint]
。
Spark提供了广泛的有用的工具,旨在促进此过程,包括Feature Extractors和Feature Transformers和pipelines。
你会发现一个相当天真的使用下面的随机森林的例子。
首先让进口所需的软件包,并创建虚拟数据:
import sqlContext.implicits._
import org.apache.spark.ml.feature.{HashingTF, Tokenizer}
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.ml.feature.StringIndexer
import org.apache.spark.mllib.tree.RandomForest
import org.apache.spark.mllib.tree.model.RandomForestModel
import org.apache.spark.mllib.linalg.{Vectors, Vector}
import org.apache.spark.mllib.evaluation.MulticlassMetrics
import org.apache.spark.sql.Row
import org.apache.spark.rdd.RDD
case class LabeledRecord(group: String, text: String)
val trainRaw = sc.parallelize(
LabeledRecord("foo", "foo v a y b foo") ::
LabeledRecord("bar", "x bar y bar v") ::
LabeledRecord("bar", "x a y bar z") ::
LabeledRecord("foobar", "foo v b bar z") ::
LabeledRecord("foo", "foo x") ::
LabeledRecord("foobar", "z y x foo a b bar v") ::
Nil
)
现在让我们来定义所需的变压器和加工列Dataset
:
// Tokenizer to process text fields
val tokenizer = new Tokenizer()
.setInputCol("text")
.setOutputCol("words")
// HashingTF to convert tokens to the feature vector
val hashingTF = new HashingTF()
.setInputCol("words")
.setOutputCol("features")
.setNumFeatures(10)
// Indexer to convert String labels to Double
val indexer = new StringIndexer()
.setInputCol("group")
.setOutputCol("label")
.fit(trainRaw.toDF)
def transfom(rdd: RDD[LabeledRecord]) = {
val tokenized = tokenizer.transform(rdd.toDF)
val hashed = hashingTF.transform(tokenized)
val indexed = indexer.transform(hashed)
indexed
.select($"label", $"features")
.map{case Row(label: Double, features: Vector) =>
LabeledPoint(label, features)}
}
val train: RDD[LabeledPoint] = transfom(trainRaw)
请注意,indexer
被“装”在火车上的数据。它只是意味着将用作标签的分类值转换为doubles
。要在新数据上使用分类器,必须先使用此indexer
对其进行转换。
接下来,我们可以训练RF模型:
val numClasses = 3
val categoricalFeaturesInfo = Map[Int, Int]()
val numTrees = 10
val featureSubsetStrategy = "auto"
val impurity = "gini"
val maxDepth = 4
val maxBins = 16
val model = RandomForest.trainClassifier(
train, numClasses, categoricalFeaturesInfo,
numTrees, featureSubsetStrategy, impurity,
maxDepth, maxBins
)
最后测试:
val testRaw = sc.parallelize(
LabeledRecord("foo", "foo foo z z z") ::
LabeledRecord("bar", "z bar y y v") ::
LabeledRecord("bar", "a a bar a z") ::
LabeledRecord("foobar", "foo v b bar z") ::
LabeledRecord("foobar", "a foo a bar") ::
Nil
)
val test: RDD[LabeledPoint] = transfom(testRaw)
val predsAndLabs = test.map(lp => (model.predict(lp.features), lp.label))
val metrics = new MulticlassMetrics(predsAndLabs)
metrics.precision
metrics.recall
您正在使用的Spark 1.6,而不是2.1火花? 我认为问题在于spark 2.1中的transform方法返回一个数据集,该数据集可以隐式转换为类型化的RDD,在此之前,它返回一个数据帧或行。
尝试作为RDD [LabeledPoint]指定转换函数的返回类型的诊断,并查看是否得到相同的错误。
这是一个评论,而不是答案是不是? –
- 1. Spark多标签分类
- 2. Haskell:类型类:多重继承示例
- 3. Spark中的一类分类模型
- 4. 使用Spark LogisticRegressionWithLBFGS进行多类分类的预测概率
- 5. Spark中的多类分类与术语频率
- 6. Java中Spark MLlib的分类
- 7. Spark SparkPi示例
- 8. 带Spark 1.6的多类SVM?
- 9. LinqDataSource类示例
- 10. DataContractSerializerSettings类示例
- 11. Spark ML管道:分类新示例时看不到标签异常
- 12. 多分类分类图?
- 13. 多分类分类器
- 14. 将案例类传递给Spark UDF
- 15. 从案例类别生成Spark StructType/Schema
- 16. 使用示例测试分类器
- 17. 显示错误分类的实例
- 18. Hadoop WordCount示例 - 实现分类
- 19. 编译Caffe C++分类示例
- 20. 简单的Mahout分类示例
- 21. Spark/Scala,数据集和案例类的多态性
- 22. 将多个softmax分类器添加到TensorFlow示例中
- 23. Weka分类实例
- 24. 我可以使用apache spark支持向量机做多类分类吗?
- 25. 使用渐变增强多类分类Spark中的树:仅支持二进制分类
- 26. 在nltk中使用scikit-learn分类器,多类别案例
- 27. 使用Spark的文本分类ML
- 28. 带分类变量的Spark决策树
- 29. Spark二进制分类预测精度
- 30. Spark MLlib:包括分类特征
你有一些python的例子吗?还是它只支持scala? –