目录

Part VI. Advanced Analytics and Machine Learning

Advanced Analytics and Machine Learning Overview

1.A Short Primer on Advanced Analytics

目的：deriving insights and making predictions or recommendations

概念

Supervised Learning：用含有label（因变量）的历史数据训练模型来预测新数据的label。训练过程通常用GD来不断调整参数以完善模型。

Classification：预测一个categorical 变量，即一个离散的，有限的value集合。结果只有一个值时，根据categorical变量的可取值的数量分为binary和multiclass。结果有多个值为Multilabel Classification

Regression：预测一个连续变量，一个实数。

Recommendation：基于相似客户的喜好或相似商品来推荐

Unsupervised Learning：从数据中寻找规律，没有label。

Graph Analytics：研究vertices (objects) 和edges (relationships between those objects)组成的结构

The Advanced Analytics Process

  • 收集相关数据
  • Cleaning and inspecting the data to better understand it.
  • 特征工程
  • 训练模型
  • 比较和评估模型
  • 利用模型的结果或模型本身来解决问题

2.Spark’s Advanced Analytics Toolkit

介绍

提供接口完成上述Advanced Analytics Process的模块。和其他ML库相比，Spark的更适合数据量大时使用。

ml库提供DF接口。本书只介绍它。

mllib库是底层APIs，现在是维护模式，只会修复bug，不会添加新feature。目前如果想进行streaming training，只能用millib。

概念

Transformers：转换数据的函数，DF => 新DF

Estimators： 包含fit和transform的类，根据功能可分为用于初始化数据的transformer和训练算法。

Low-level data types：Vector （类似numpy）包含doubles类型，可以sparse（大部分为0）或dense（很多不同值）

//创建vector

val denseVec = Vectors.dense(1.0, 2.0, 3.0)

val size = 3

val idx = Array(1,2) // locations of non-zero elements in vector

val values = Array(2.0,3.0)

val sparseVec = Vectors.sparse(size, idx, values)

sparseVec.toDense

denseVec.toSparse

//两个矩阵相同

Matrices.dense(3,3,Array(1,0,0,0,1,0,0,0,1))

Matrices.sparse(3,3,Array(0,1,2,3),Array(0,1,2),Array(1,1,1))//第一个array中，0是起始elem个数，1代表第一列有一个elem，2表示到了第二列一共有两个，如此类推。

//分布式矩阵

RowMatrix

//运算

breeze.linalg.DenseVector(1,2,3)

breeze.linalg.DenseMatrix(Array(1,2,3), Array(4,5,6))

3.ML in Action

RFormula: import org.apache.spark.ml.feature.RFormula

“~”分开target和terms；“+0”和“-1”一样，去掉intercept；“: ”数值乘法或二进制分类值; “.”除target的所有列

//加载数据

var df = spark.read.json("/data/simple-ml")

df.orderBy("value2").show()

//转化数据

//进入训练算法的数据只能是Double(for labels)或Vectro[Double](for features)

val supervised = new RFormula()

  .setFormula("lab ~ . + color:value1 + color:value2")

val fittedRF = supervised.fit(df)

val preparedDF = fittedRF.transform(df)

preparedDF.show()//会在原DF表后添加features和label列，Spark的ml算法的默认列名

//划分训练集和测试集

val Array(train, test) = preparedDF.randomSplit(Array(0.7, 0.3))

//训练和查看模型预测结果（对训练集的）

val lr = new LogisticRegression().setLabelCol("label").setFeaturesCol("features")

println(lr.explainParams())

val fittedLR = lr.fit(train)

fittedLR.transform(train).select("label", "prediction").show()

//建立pipeline

//transformers or models实例是不能在不同pipelines中重复使用的，所以上面的要重新new

val rForm = new RFormula()

val lr = new LogisticRegression().setLabelCol("label").setFeaturesCol("features")

val stages = Array(rForm, lr)

val pipeline = new Pipeline().setStages(stages)//pipeline.stages(0).asInstanceOf[RFormula]可得到该stage的对象。通常是最后取model或stringIndexerModel的inverse

//建立超参网格

val params = new ParamGridBuilder()

  .addGrid(rForm.formula, Array(

    "lab ~ . + color:value1",

    "lab ~ . + color:value1 + color:value2"))

  .addGrid(lr.elasticNetParam, Array(0.0, 0.5, 1.0))

  .addGrid(lr.regParam, Array(0.1, 2.0))

  .build()

//建立评估器

val evaluator = new BinaryClassificationEvaluator()

  .setMetricName("areaUnderROC")

  .setRawPredictionCol("prediction")

  .setLabelCol("label")

//交叉验证

val tvs = new TrainValidationSplit()

  .setTrainRatio(0.75) // also the default.

  .setEstimatorParamMaps(params)

  .setEstimator(pipeline)

  .setEvaluator(evaluator)

val tvsFitted = tvs.fit(train)

//转换测试集并评估areaUnderROC

evaluator.evaluate(tvsFitted.transform(test))

//可查看模型训练历史

val trainedPipeline = tvsFitted.bestModel.asInstanceOf[PipelineModel]

val TrainedLR = trainedPipeline.stages(1).asInstanceOf[LogisticRegressionModel]

val summaryLR = TrainedLR.summary

summaryLR.objectiveHistory

//提取最优模型的参数

.stages.last.extractParamMap

//每个模型的得分和参数

val paramsAndMetrics = tvsFitted.validationMetrics.

  zip(tvsFitted.getEstimatorParamMaps).sortBy(-_._1)

paramsAndMetrics.foreach { case (metric, params) =>

    println(metric)

    println(params)

    println()

}

//储存模型

tvsFitted.write.overwrite().save("path")

//加载模型，根据模型版本来load，这里load的是CrossValidator得到的模型，所以用CrossValidatorModel（这里TrainValidationSplitModel）。之前手动的LogisticRegression则用LogisticRegressionModel

val model = TrainValidationSplitModel.load("path")

model.transform(test)

//如果想输出PMML格式，可以参考MLeap的github

4.部署模式

  • 离线训练，用于分析（适合Spark）
  • 离线训练，储存结果到数据库中，适合recommendation
  • 离线训练，储存模型用于服务。（并非低延迟，启动Spark消耗大）
  • 将分布式模型转化为运行得更快的单机模式。（Spark可导出PMML）
  • 线上训练和使用。（结合Structured Streaming，适合部分ML模型）

Preprocessing and Feature Engineering

1.Formatting Models According to Your Use Case

  • 大部分 classification and regression：label和feature
  • recommendation：users, items和ratings
  • unsupervised learning：features
  • graph analytics：vertices DF 和edges DF
//4个样本数据

val sales = spark.read.format("csv")

  .option("header", "true")

  .option("inferSchema", "true")

  .load("/data/retail-data/by-day/*.csv")

  .coalesce(5)

  .where("Description IS NOT NULL")//Spark对null的处理还在改进

val fakeIntDF = spark.read.parquet("/data/simple-ml-integers")

var simpleDF = spark.read.json("/data/simple-ml")

val scaleDF = spark.read.parquet("/data/simple-ml-scaling")

sales.cache()

//Transformers，转换Description

val tkn = new Tokenizer().setInputCol("Description")

tkn.transform(sales.select("Description")).show(false)

//Estimators

val ss = new StandardScaler().setInputCol("features")

ss.fit(scaleDF).transform(scaleDF).show(false)

//High-Level Transformers

//RFormula：string默认one-hot（label为Double），numeric默认Double

val supervised = new RFormula()

  .setFormula("lab ~ . + color:value1 + color:value2")

supervised.fit(simpleDF).transform(simpleDF).show()

//SQL Transformers

val basicTransformation = new SQLTransformer()

  .setStatement("""

    SELECT sum(Quantity), count(*), CustomerID

    FROM __THIS__

    GROUP BY CustomerID

  """)

basicTransformation.transform(sales).show()

//VectorAssembler，将所有feature合并为一个大的vector，通常是pipeline的最后一步

val va = new VectorAssembler().setInputCols(Array("int1", "int2", "int3"))

va.transform(fakeIntDF).show()

2.连续型feature的转换

只适用于Double

val contDF = spark.range(20).selectExpr("cast(id as double)")

// bucketing，参数为最小值，一个中间值，最大值（即一共最分为2组）。由于已划分，所以不需fit

//下面分组是[-1.0,5.0),[5.0, 10.0),[10.0,250.0)...

val bucketBorders = Array(-1.0, 5.0, 10.0, 250.0, 600.0)//最值也可选择scala.Double.NegativeInfinity/ PositiveInfinity

val bucketer = new Bucketizer().setSplits(bucketBorders).setInputCol("id")

//对于null or NaN 值，需要指定.handleInvalid 参数为某个值，或者keep those values, error or null, or skip those rows

//QuantileDiscretizer

val bucketer = new QuantileDiscretizer().setNumBuckets(5).setInputCol("id")

//Scaling and Normalization

//StandardScaler,.withMean（默认false），对于sparse数据消耗大

val sScaler = new StandardScaler().setInputCol("features")

//MinMaxScaler

val minMax = new MinMaxScaler().setMin(5).setMax(10).setInputCol("features")

//MaxAbsScaler，between −1 and 1

val maScaler = new MaxAbsScaler().setInputCol("features")

//ElementwiseProduct，不需fit

val scaleUpVec = Vectors.dense(10.0, 15.0, 20.0)

val scalingUp = new ElementwiseProduct()

  .setScalingVec(scaleUpVec)

  .setInputCol("features")//如果feature的某row是[1, 0.1, -1]，转换后变为[10, 1.5, -20]

//Normalizer,1,2,3等

val manhattanDistance = new Normalizer().setP(1).setInputCol("features")

还有一些高级的bucketing，如 locality sensitivity hashing (LSH) 等

3.Categorical Features

recommend re-indexing every categorical variable when pre-processing just for consistency’s sake. 所以下面的transform和fit都是传入整个DF，特别提示除外。

//StringIndexer,一种string to 一个int值。也可对非string使用，但会先转换为string再转为int

val lblIndxr = new StringIndexer().setInputCol("lab").setOutputCol("labelInd")

//如果fit后的transform对象有未见过的，会error，或者通过下面代码设置skip整个row

valIndexer.setHandleInvalid("skip")

valIndexer.fit(simpleDF).setHandleInvalid("skip")

//IndexToString，例如将classification的结果转换回string。由于Spark保留了元数据，所以不需要fit。可能有些没保留，就多加一步.setLabels(Model.labels)

val labelReverse = new IndexToString().setInputCol("labelInd")

//VectorIndexer，设定最大分类量。下面transformer对于unique值多于两个的，不会进行分类。

val indxr = new VectorIndexer().setInputCol("features").setOutputCol("idxed")

  .setMaxCategories(2)

//OneHotEncoder

val lblIndxr = new StringIndexer().setInputCol("color").setOutputCol("colorInd")

val colorLab = lblIndxr.fit(simpleDF).transform(simpleDF.select("color"))

val ohe = new OneHotEncoder().setInputCol("colorInd")

ohe.transform(colorLab).show()

//普通encoder，用when，otherwise

df.select(when(col("happy") === true, 1).otherwise(2).as("encoded")).show

//mapEncoder，下面函数其实与null无关，也可查找“利用map进行数据转换”，没有otherwise可用。

df.na.replace("Description", Map("" -> "UNKNOWN"))

4.Text Data Transformers

两类：string categorical variables（前面提到的）和free-form text

//不需fit

//Tokenizer，space分隔

val tkn = new Tokenizer().setInputCol("Description").setOutputCol("DescOut")

val tokenized = tkn.transform(sales.select("Description"))

tokenized.show(false)

//RegexTokenizer，pattern分隔

val rt = new RegexTokenizer()

  .setInputCol("Description")

  .setOutputCol("DescOut")

  .setGaps(false)//设置false就提取pattern

  .setPattern(" ") // simplest expression

  .setToLowercase(true)

//StopWordsRemover

val englishStopWords = StopWordsRemover.loadDefaultStopWords("english")

val stops = new StopWordsRemover()

  .setStopWords(englishStopWords)

  .setInputCol("DescOut")

//NGram，下面代码将[Big, Data, Processing, Made]变为[Big Data, Data Processing, Processing Made]

val bigram = new NGram().setInputCol("DescOut").setN(2)

//词频CountVectorizer

val cv = new CountVectorizer()

  .setInputCol("DescOut")

  .setOutputCol("countVec")

  .setVocabSize(500)

  .setMinTF(1)//所transform的文本里出现的最低频率

  .setMinDF(2)//收入字典的最低频率

//下面结果，后边第二项是单词在字典中的位置（非对应），第三项为在此row的频率

|[rabbit, night, light]  |(500,[150,185,212],[1.0,1.0,1.0]) |

//反词频HashingTF，出现越少评分越高。不同于上面CountVectorizer，知道index不能返回词

val tf = new HashingTF()

  .setInputCol("DescOut")

  .setOutputCol("TFOut")

  .setNumFeatures(10000)

val idf = new IDF()

  .setInputCol("TFOut")

  .setOutputCol("IDFOut")

  .setMinDocFreq(2)

idf.fit(tf.transform(tfIdfIn)).transform(tf.transform(tfIdfIn)).show(false)

//下面结果，第二项为哈希值，第三项为评分

(10000,[2591,4291,4456],[1.0116009116784799,0.0,0.0])

//Word2Vec（深度学习部分，暂略)

5.Feature Manipulation and Selection

//PCA

val pca = new PCA().setInputCol("features").setK(2)

pca.fit(scaleDF).transform(scaleDF).show(false)

//Interaction，用RFormula 

//Polynomial Expansion

val pe = new PolynomialExpansion().setInputCol("features").setDegree(2)

//ChiSqSelector

val chisq = new ChiSqSelector()

  .setFeaturesCol("countVec")

  .setLabelCol("CustomerId")

  .setNumTopFeatures(2)//百分比

6.Advanced Topics

//Persisting Transformers

val fittedPCA = pca.fit(scaleDF)

fittedPCA.write.overwrite().save("/tmp/fittedPCA")

val loadedPCA = PCAModel.load("/tmp/fittedPCA")

loadedPCA.transform(scaleDF).show()

//自定义转换

class MyTokenizer(override val uid: String)

  extends UnaryTransformer[String, Seq[String],

    MyTokenizer] with DefaultParamsWritable {

  def this() = this(Identifiable.randomUID("myTokenizer"))

  val maxWords: IntParam = new IntParam(this, "maxWords",

    "The max number of words to return.",

  ParamValidators.gtEq(0))

  def setMaxWords(value: Int): this.type = set(maxWords, value)

  def getMaxWords: Integer = $(maxWords)

  override protected def createTransformFunc: String => Seq[String] = (

    inputString: String) => {

      inputString.split("\\s").take($(maxWords))

  }

  override protected def validateInputType(inputType: DataType): Unit = {

    require(

      inputType == StringType, s"Bad input type: $inputType. Requires String.")

  }

  override protected def outputDataType: DataType = new ArrayType(StringType,

    true)

}

// this will allow you to read it back in by using this object.

object MyTokenizer extends DefaultParamsReadable[MyTokenizer]

  val myT = new MyTokenizer().setInputCol("someCol").setMaxWords(2)

  myT.transform(Seq("hello world. This text won't show.").toDF("someCol")).show()

//另外一个自定义转换

class ConfigurableWordCount(override val uid: String) extends Transformer {

  final val inputCol= new Param[String](this, "inputCol", "The input column")

  final val outputCol = new Param[String](this, "outputCol", "The output column")

  def setInputCol(value: String): this.type = set(inputCol, value)

  def setOutputCol(value: String): this.type = set(outputCol, value)

  //构造器

  def this() = this(Identifiable.randomUID("configurablewordcount"))

  //current stage的copy，一般用defaultCopy就可以了

  def copy(extra: ParamMap): HardCodedWordCountStage = {

    defaultCopy(extra)

  }

  //修改返回的schema: StructType。记得先检查输入类型

  override def transformSchema(schema: StructType): StructType = {

    // Check that the input type is a string

    val idx = schema.fieldIndex($(inputCol))

    val field = schema.fields(idx)

    if (field.dataType != StringType) {

      throw new Exception(

        s"Input type ${field.dataType} did not match input type StringType")

    }

    // Add the return field

    schema.add(StructField($(outputCol), IntegerType, false))

  }

  def transform(df: Dataset[_]): DataFrame = {

    val wordcount = udf { in: String => in.split(" ").size }

    df.select(col("*"), wordcount(df.col($(inputCol))).as($(outputCol)))

  }

}

关于estimator和model的自定义，参考《high performance spark》的CustomPipeline.scala。可以加些caching代码。另外org.apache.spark.ml.Predictor 和 org.apache.spark.ml.classificationClassifier 有时更方便，因为它们能自动处理schema transformation。后者多了rawPredictionColumn和getNumClasses。而回归跟聚类就只能用estimator接口了。

7.例子linkage(C2)

1.transpose summary table

//parsed为某DF

val summary = parsed.describe()//summary表第一行为列名，第一列为metric名

val schema = summary.schema//StructType(StructField(summary,StringType,true)...)全部都是StringType

val longDF = summary.flatMap(row => {

  val metric = row.getString(0)

  (1 until row.size).map(i => {

    (metric, schema(i).name, row.getString(i).toDouble)

    })

}).toDF("metric", "field", "value")

//前5行结果为，下面还有其他metric

+------+------------+---------+

|metric|       field|    value|

+------+------------+---------+

| count|        id_1|5749132.0|

| count|        id_2|5749132.0|

| count|cmp_fname_c1|5748125.0|

| count|cmp_fname_c2| 103698.0|

| count|cmp_lname_c1|5749132.0|

+------+------------+---------+

//进行透视

val wideDF = longDF

  .groupBy("field")

  .pivot("metric")//2.2以下要加，Seq("count", "mean", "stddev", "min", "max")？

  .sum()//每对组合都是唯一的，所以sum()其实只有一个数

//可以将上面两步封装为一个function。打开IDEA（下面代码忽略了import DF，sql.functions之类），写一个Pivot.scala，然后load这个类，就可以对任何.describe()表使用了。

//要对上面的summary改为desc

def pivotSummary(desc: DataFrame): DataFrame = {

    val schema = desc.schema

    import desc.sparkSession.implicits._

//查看结果

wideDF.select("field", "count", "mean").show()

上面练习中，row.getString(i)得到的是java.lang.String类，其本身没有toDouble方法，是通过Scala的隐式转换实现的。这种转换把String变为了StringOps（Scala类），然后调用该类的toDouble。隐式转换让我们增加核心类的功能，但有时让人难以弄清功能的来源。

2.feature 选择

其实简单join用SQL可能更清晰，下面有点附加功能，当作阅读理解。它主要目的是比较两个.describe()表（一个match表，一个miss表）的差异

matchSummaryT.createOrReplaceTempView("match_desc")

missSummaryT.createOrReplaceTempView("miss_desc")

spark.sql("""

  SELECT a.field, a.count + b.count total, a.mean - b.mean delta

  FROM match_desc a INNER JOIN miss_desc b ON a.field = b.field

  WHERE a.field NOT IN ("id_1", "id_2")

  ORDER BY delta DESC, total DESC

""").show()

//结果前两row，field中每项的值域为0～1

+------------+---------+--------------------+

|       field|    total|               delta|

+------------+---------+--------------------+

|     cmp_plz|5736289.0|  0.9563812499852176|

|cmp_lname_c2|   2464.0|  0.8064147192926264|

+------------+---------+--------------------+

//上表中，total看数据缺失情况，delta看差异情况

3.交叉表分析

例子数据比较简单，所以书中方法只是为了展示，最后有简便的方法实现。

创建case class并把DF[row] -> Dataset[MatchData]，这样对结构化表格中的元素的操作更灵活，但会放弃DF的部分效率。

//1.创建转化需要的类

case class MatchData(//下面删去了部分变量

    id_1: Int,

    cmp_fname_c1: Option[Double],

    cmp_plz: Option[Int],

    is_match: Boolean

)

val matchData = parsed.as[MatchData]

//2.创建case class拥有+方法

case class Score(value: Double) {

    def +(oi: Option[Int]) = {

		Score(value + oi.getOrElse(0))

    }

}

//3.把认为合适的feature加总（分析来自Spark Join1.实践），得出评分

def scoreMatchData(md: MatchData): Double = {

    (Score(md.cmp_lname_c1.getOrElse(0.0)) + md.cmp_plz +

     	md.cmp_by + md.cmp_bd + md.cmp_bm).value

}

//4.把评分和label抽出来

val scored = matchData.map {

    md => (scoreMatchData(md), md.is_match)

}.toDF("score", "is_match")

//5.创建crosstab

def crossTabs(scored: DataFrame, t: Double): DataFrame = {

    scored.selectExpr(s"score >= $t as above", "is_match")

          .groupBy("above")

          .pivot("is_match")

          .count()

}

crossTabs(scored, 2.0).show()

+-----+-----+-------+

|above| true|  false|

+-----+-----+-------+

| true|20931| 596414|

|false| null|5131787|

+-----+-----+-------+

//上面可以直接在DF实现，而不需要转为Dataset。

val scored = parsed

    .na.fill(0, Seq("cmp_lname_c1",...))//如果不fill，下面列中有null行的结果为null

    .withColumn("score", expr("cmp_lname_c1 + ..."))

    .select("score", "is_match")

Classification

1.四个最常用模型

模型Scalability

Model Features count Training examples Output classes
Logistic regression 1 to 10 million No limit Features x Classes < 10 million
Decision trees 1,000s No limit Features x Classes < 10,000s
Random forest 10,000s No limit Features x Classes < 100,000s
Gradient-boosted trees 1,000s No limit Features x Classes < 10,000s

模型参数

Logistic regression Decision trees Random forest GDBT（目前只能binary）
family: multinomial or binary maxDepth: 默认5 numTrees lossType: 只支持 logistic loss
elasticNetParam: 0~1, 0为纯L2，1为纯L1 maxBins: 对某feature的分类数，默认32 featureSubsetStrategy特征考虑数: auto, all, sqrt, log2等 maxIter: 100
fitIntercept: boolean 如果没有normalized通常会设 impurity: “entropy” or “gini” (default) stepSize: 0~1，默认0.1
regParam: >=0 minInfoGain: 最小 information gain，默认0
standardization: boolean minInstancePerNode：默认1
maxIter: 默认100，不应该第一个调 checkpointInterval: -1取消，10表示每10次迭代记录一次。还要设置 checkpointDir和useNodeIdCache=true checkpointInterval checkpointInterval
tol: 默认1.0E-6，不应该第一个调
weightCol
threshold: 0~1，用于惩罚错误
thresholds: 同上，但适用于 multiclass thresholds thresholds thresholds 
//一些补充，下面主要是Logistic regression

val lr = new LogisticRegression().setMaxIter(10).setRegParam(0.3)

  .setElasticNetParam(0.8)

//查看参数

println(lr.explainParams())

//查看结果，对于multiclass，用lrModel.coefficientMatrix and lrModel.interceptVector

println(lrModel.coefficients)

println(lrModel.intercept)

//查看summary，暂时不适用逻辑回归的multiclass，其他模型也可以尝试调用summary后看有什么方法。不会重新计算

val summary = lrModel.summary

summary.residuals.show()//显示feature的权重

summary.rootMeanSquaredError

summary.r2

val bSummary = summary.asInstanceOf[BinaryLogisticRegressionSummary]

println(bSummary.areaUnderROC)

bSummary.roc.show()

bSummary.pr.show()

summary.objectiveHistory//看每次迭代的效果

2.其他

Naive Bayes:

indicator variables represent the existence of a term in a document; or the multinomial model, where the total counts of terms are used.

所有input features要非负

一些参数说明：

modelType: “bernoulli” or “multinomial"

weightCol

smoothing: 默认1

thresholds

Evaluators for Classification and Automating Model Tuning

BinaryClassificationEvaluator: “areaUnderROC” and areaUnderPR"

`MulticlassClassificationEvaluator: “f1”, “weightedPrecision”, “weightedRecall”, and “accuracy”

Detailed Evaluation Metrics

//三种classification相似

val out = model.transform(bInput)

  .select("prediction", "label")

  .rdd.map(x => (x(0).asInstanceOf[Double], x(1).asInstanceOf[Double]))

val metrics = new BinaryClassificationMetrics(out)

metrics.areaUnderPR

metrics.areaUnderROC

println("Receiver Operating Characteristic")

metrics.roc.toDF().show()

One-vs-Rest Classifier

查看Spark documentation，有例子

例子Predicting Forest Cover (C4)

决策树对异常值（一些极端或错误值）很稳健。

树的建立很耗费内存。

one-hot能使模型对特征逐个考虑（当然更占内存），如果一列categorical特征，模型就可能通过把部分特征分组，而不会深入考虑，但准确率不一定更差。

//创建schema

val colNames = Seq(

    "Elevation", "Aspect", "Slope",

    ...

  )++(

    (0 until 4).map(i => s"Wilderness_Area_$i")//注意这种创建collection的方式(IndexedSeq)

  ) ++ Seq("Cover_Type")

val data = dataWithoutHeader.toDF(colNames:_*)//添加schema的方式

    .withColumn("Cover_Type", $"Cover_Type".cast("double"))

//生成Vector

val inputCols = trainData.columns.filter(_ != "Cover_Type")

val assembler = new VectorAssembler().

      setInputCols(inputCols).

      setOutputCol("featureVector")

val assembledTrainData = assembler.transform(trainData)

//模型

//查看树的逻辑

model.toDebugString

//打印featureImportances

model.featureImportances.toArray.zip(inputCols).

      sorted.reverse.foreach(println)

//用DF来计算confusionMatrix，Spark内置的要用rdd

val confusionMatrix = predictions

  .groupBy("Cover_Type")

  .pivot("prediction", (1 to 7))//1 to 7是对应prediction里面的内容的。如果prediction里面没有7，也可以，但该列全是null

  .count()

  .na.fill(0.0)

  .orderBy("Cover_Type")

//设计一个随机classifier

def classProbabilities(data: DataFrame): Array[Double] = {

    val total = data.count()

    data.groupBy("Cover_Type").count()

      .orderBy("Cover_Type")

      .select("count").as[Double]

      .map(_ / total).collect()

}

2.将one-hot转化为一列类型特征

def unencodeOneHot(data: DataFrame): DataFrame = {

  //要转换的列名

  val wildernessCols = (0 until 4).map(i => s"Wilderness_Area_$i").toArray

  //将上面的列名上的数值合并为一个vector

  val wildernessAssembler = new VectorAssembler()

    .setInputCols(wildernessCols)

    .setOutputCol("wilderness")

  //提取1.0的index来将one-hot转化categorical number

  val unhotUDF = udf((vec: Vector) => vec.toArray.indexOf(1.0).toDouble)

  //转化数据

  val withWilderness = wildernessAssembler.transform(data)

    .drop(wildernessCols:_*)

    .withColumn("wilderness", unhotUDF($"wilderness"))

}

//转化后的数据在pipeline中添加一步indexer，这样能使Spark将这些能被划分的列视为categorical feature。注意这里假设所处理的数据中4个种类至少出现一次。

val indexer = new VectorIndexer()

  .setMaxCategories(4)

  .setInputCol("featureVector")

  .setOutputCol("indexedVector")

val pipeline = new Pipeline().setStages(Array(assembler, indexer, classifier))

Regression

模型Scalability

Model Number features Training examples
Linear regression 1 to 10 million No limit
Generalized linear regression 4,096 No limit
Isotonic regression N/A Millions
Decision trees 1,000s No limit
Random forest 10,000s No limit
Gradient-boosted trees 1,000s No limit
Survival regression 1 to 10 million No limit

Generalized Linear Regression

下面Supported links指定线性预测变量与分布函数的均值之间的关系

Family Response type Supported links
Gaussian Continuous Identity*, Log, Inverse
Binomial Binary Logit*, Probit, CLogLog
Poisson Count Log*, Identity, Sqrt
Gamma Continuous Inverse*, Idenity, Log
Tweedie Zero-inflated continuous Power link function

参数：

family和link参考上表

solver：目前只支持irls（iteratively reweighted least squares）

variancePower：0~1，0默认，1表无穷。表示分布方差和均值的关系，只适用Tweedie

linkPower：Tweedie

linkPredictionCol：boolean

Advanced Methods（略）

Survival Regression (Accelerated Failure Time)

Isotonic Regression：保序回归，应用于单调递增的情况

Evaluators and Automating Model Tuning

//Evaluators

val glr = new GeneralizedLinearRegression()

  .setFamily("gaussian")

  .setLink("identity")

val pipeline = new Pipeline().setStages(Array(glr))

val params = new ParamGridBuilder().addGrid(glr.regParam, Array(0, 0.5, 1))

  .build()

val evaluator = new RegressionEvaluator()

  .setMetricName("rmse")

  .setPredictionCol("prediction")

  .setLabelCol("label")

val cv = new CrossValidator()//大量数据时用得不多，太耗时

  .setEstimator(pipeline)

  .setEvaluator(evaluator)

  .setEstimatorParamMaps(params)

  .setNumFolds(2) // should always be 3 or more but this dataset is small

val model = cv.fit(df)

//Metrics

val out = model.transform(df)

  .select("prediction", "label")

  .rdd.map(x => (x(0).asInstanceOf[Double], x(1).asInstanceOf[Double]))

val metrics = new RegressionMetrics(out)

println(s"MSE = ${metrics.meanSquaredError}")

println(s"RMSE = ${metrics.rootMeanSquaredError}")

println(s"R-squared = ${metrics.r2}")

println(s"MAE = ${metrics.meanAbsoluteError}")

println(s"Explained variance = ${metrics.explainedVariance}")

Recommendation

1.Collaborative Filtering with Alternating Least Squares

仅根据用户过去和商品的interaction情况，而非用户或商品的attributes，来估计用户心中的商品排名。需要三列：user ID , item ID, and rating 。其中rating可显式（user自己的评分）可隐式（user和item的interaction程度）。

该算法会倾向于大众商品和具有很多说明信息的商品。对于新商品或客户有cold start问题。

在实际生产当中，一般会预先计算所有用户的推荐，然后存到NoSQL来实现实时推荐，但这很浪费存储空间（大部分人在当天不一定需要推荐）。而单独计算需要几秒钟的时间。Oryx 2 可能是一个解决方法。

将一些数值转化为Integer或者Int更有效率。

参数：

rank：latent factors数量，默认10

alpha：implicit feedback时，被观察和未被观察的互动的相对比重，越高说明越看重已记录的，默认1，40也是个不错的选择

regParam：默认0.1

implicitPrefs：boolean，是否implicit，默认true

nonnegative：默认false，non-negative constraints on the least-squares problem

numUserBlocks：默认10

numItemBlocks：默认10

maxIter：默认10

checkpointInterval

seed

coldStartStrategy：设定模型如何预测新客户或商品（训练时没见过的），只可选drop and nan。

blocks一般是one to five million ratings per block，如果少于这个数，更多的block也不会提升效率

val ratings = spark.read.textFile("/data/sample_movielens_ratings.txt")

  .selectExpr("split(value , '::') as col")

  .selectExpr(

    "cast(col[0] as int) as userId",

    "cast(col[1] as int) as movieId",

    "cast(col[2] as float) as rating",

    "cast(col[3] as long) as timestamp")

val Array(training, test) = ratings.randomSplit(Array(0.8, 0.2))

val als = new ALS()

  .setMaxIter(5)

  .setRegParam(0.01)

  .setUserCol("userId")

  .setItemCol("movieId")

  .setRatingCol("rating")

println(als.explainParams())

val alsModel = als.fit(training)

val predictions = alsModel.transform(test)

//结果，查看排名前十的

alsModel.recommendForAllUsers(10)

  .selectExpr("userId", "explode(recommendations)").show()

alsModel.recommendForAllItems(10)

  .selectExpr("movieId", "explode(recommendations)").show()

//评估，先将cold-start strategy设为drop

val evaluator = new RegressionEvaluator()

  .setMetricName("rmse")

  .setLabelCol("rating")

  .setPredictionCol("prediction")

val rmse = evaluator.evaluate(predictions)

println(s"Root-mean-square error = $rmse")

//Regression Metrics

val regComparison = predictions.select("rating", "prediction")

  .rdd.map(x => (x.getFloat(0).toDouble,x.getFloat(1).toDouble))

val metrics = new RegressionMetrics(regComparison)

metrics.rootMeanSquaredError//和上面Root-mean-square error一样

//Ranking Metrics，下面评估不关注值，而是ALS是否会推荐某个值以上的商品

//下面将rating大于2.5的定为好的商品

val perUserActual = predictions

  .where("rating > 2.5")

  .groupBy("userId")

  .agg(expr("collect_set(movieId) as movies"))

//下面提取ALS推荐的商品

val perUserPredictions = predictions

  .orderBy(col("userId"), col("prediction").desc)

  .groupBy("userId")

  .agg(expr("collect_list(movieId) as movies"))

//合并上面两个数据，并截取推荐中的前15个

val perUserActualvPred = perUserActual.join(perUserPredictions, Seq("userId"))

  .map(row => (

    row(1).asInstanceOf[Seq[Integer]].toArray,

    row(2).asInstanceOf[Seq[Integer]].toArray.take(15)

  ))

//判断推荐的平均正确率

val ranks = new RankingMetrics(perUserActualvPred.rdd)

ranks.meanAveragePrecision

ranks.precisionAt(5)//看具体排第5的准确率

latent-factor models：通过相对少数量的unobserved, underlying reasons来解释客户和商品之间大量的interactions。

matrix factorization model： 假设一个网格，row代表用户，col代表商品，如果某格子为1，该格子对应的用户和商品有interaction。这可以是一个x * y的矩阵A。利用latent-factor model的思想，把客户和产品通过产品类型（如电子，图书，零食等k种）来联系，那么矩阵可分解为x * k和 y * k（其中一个乘以另一个的转置就能大概还原，但不可能真正还原）。但是如果这两个被分解出来的矩阵rank太低，对原本a*b的还原就很差。

现在目的是通过已知的A（所记录到的用户和商品的interaction）和Y（商品的y * k，实质也未知，通常随机生成）求X（用户的x * k）。由于不能真正解出，所以只能减少差别，这就是叫Least Squares的原因。alternating 来源于既可通过AY求X，也可通过AX求Y。

本模型的 user-feature 和 product-feature 的矩阵相当大（用户数 x feature数，商品数 x feature数）

例子Recommending Music(C3)

1.text文件的切割

//rawUserArtistData为RDD[String]，某row：“1000002 1 55”

val userArtistDF = rawUserArtistData.map { line =>

    val Array(user, artist, _*) = line.split(' ') //利用_*可以使Array接收多于3个的参数

    (user.toInt, artist.toInt)//如果数值不大，用Int更有效率。转换后看min和max确定没有超过限度，以及是否有负数

}.toDF("user", "artist")

//分离ID和对应的作品名，某row：“122	app”

//下面代码不完善，不能适应没有tab分隔的row或者空白row

rawArtistData.map { line =>

    val (id, name) = line.span(_ != '\t') //在第一个tab处前断开（保留tab），如果没有tab就在末尾断开（返回(String, String)，但最后一个是null）。也可以用val Array(..) =.split("\t",2)，2分为两份，0为全分

    (id.toInt, name.trim)

}.count()

//这个更好（下面可以直接用Exception省去一个if，但可能没那么安全）

val artistByID = rawArtistData.flatMap { line =>

    val (id, name) = line.span(_ != '\t')

    if (name.isEmpty) {

        None

    }else{

        try {

            Some(id.toInt, name.trim)//加一个以上的括号结果一样

        } catch {

            case _: NumberFormatException => None

        }

    }

}.toDF("id", "name")

//把ID的alias（别名）和正确的ID转化为Map，某row：“123	22”

val artistAlias = rawArtistAlias.flatMap { line =>

    val Array(artist, alias) = line.split('\t')

    if (artist.isEmpty) {

        None

    }else{

        Some((artist.toInt, alias.toInt))

    }

}.collect().toMap

 artistByID.filter($"id" isin (1208690, 1003926)).show()

+-------+----------------+

|     id|            name|

+-------+----------------+

|1208690|Collective Souls|

|1003926| Collective Soul|

+-------+----------------+

2.利用map进行数据转换

//下面代码把有别名ID的作品统一成唯一ID

def buildCounts(

    rawUserArtistData: Dataset[String],

    bArtistAlias: Broadcast[Map[Int,Int]]): DataFrame = {

        rawUserArtistData.map { line =>

    val Array(userID, artistID, count) = line.split(' ').map(_.toInt)

    val finalArtistID =

        bArtistAlias.value.getOrElse(artistID, artistID)

    (userID, finalArtistID, count)

    }.toDF("user", "artist", "count")

}

val bArtistAlias = spark.sparkContext.broadcast(artistAlias)

val trainData = buildCounts(rawUserArtistData, bArtistAlias)

trainData.cache()//转换后将用于训练的数据存到内存，否则ALS每次用到数据时都要重新算

3.ALS模型的实现以及推断用户偏好

val model = new ALS()

    .setSeed(Random.nextLong())//不设的话会是相同的默认seed，其他Spark MLlib算法一样

    .setImplicitPrefs(true)

    .setRank(10)

    .setRegParam(0.01)

    .setAlpha(1.0)

    .setMaxIter(5)

    .setUserCol("user")

    .setItemCol("artist")

    .setRatingCol("count")

    .setPredictionCol("prediction")

    .fit(trainData)

//看结果，下面两段代码当作阅读理解

//1.查看某用户接触过的商品

val userID = 2093760

val existingArtistIDs = trainData

    .filter($"user" === userID)

    .select("artist").as[Int].collect()

artistByID.filter($"id" isin (existingArtistIDs:_*)).show()//注意这个_*用法

//2.将推荐的商品排名，并取前howMany个。并没有把用户接触过的商品过滤掉

def makeRecommendations(

    model: ALSModel,

    userID: Int,

    howMany: Int): DataFrame = {

   val toRecommend = model.itemFactors

    .select($"id".as("artist"))

    .withColumn("user", lit(userID))

   model.transform(toRecommend)

    .select("artist", "prediction")

    .orderBy($"prediction".desc)

    .limit(howMany)

}

val topRecommendations = makeRecommendations(model, userID, 5) 

//在2.2中，直接用下面代码可以得到全部前10。

alsModel.recommendForAllUsers(10)

  .selectExpr("userId", "explode(recommendations)").show()

//根据结果推测用户的偏好（根据所推荐商品的名字）

//提取被推荐的商品的ID

val recommendedArtistIDs =

    topRecommendations.select("artist").as[Int].collect()

//查看ID对应的商品名

artistByID.filter($"id" isin (recommendedArtistIDs:_*)).show()

4.ALS模型的评估

假设interaction越多，越喜欢。尽管用户之前的一些interaction没有被记录，而且少interaction并不一定是坏的推荐。

//书中利用自己编写的mean AUC进行评估

//先划分训练集和测试集，并cache。下一节的CrossValidator结合pipeline更实用。

val Array(trainData, cvData) = allData.randomSplit(Array(0.9, 0.1)) trainData.cache()

cvData.cache()

//计算量大而体积不大的变量也要broadcast？

val allArtistIDs = allData.select("artist").as[Int].distinct().collect()

val bAllArtistIDs = spark.sparkContext.broadcast(allArtistIDs)

//重新执行3中的模型

//下面是书中自定义的方法。areaUnderCurve在其GitHub中。

areaUnderCurve(cvData, bAllArtistIDs, model.transform)

5.调参

//由于没有合适的evaluator，没有连成pipelines，这里就手动写grid调超参数

val evaluations =

    for (rank     <- Seq(5,  30);

         regParam <- Seq(1.0, 0.0001);

         alpha    <- Seq(1.0, 40.0))

    yield {

        val model = new ALS().

        ...//参数略

        val auc = areaUnderCurve(cvData, bAllArtistIDs, model.transform)

        model.userFactors.unpersist()//测试完后马上清空

        model.itemFactors.unpersist()

        (auc, (rank, regParam, alpha))

    }

//打印结果

evaluations.sorted.reverse.foreach(println)


println(s"$userID -> ${recommendedArtists.mkString(", ")}")

例子的一些补充：

没有考察数值范围的合理性，例如一些播放时长超过现实可能（听某个artist的作品33年时间）

没有处理缺失或者无意义值，例如unknown artist

2.Frequent Pattern Mining（需要查看官方例子）

Unsupervised Learning

模型Scalability

Model Statistical recommendation Computation limits Training examples
k-means 50 to 100 maximum Features x clusters < 10 million No limit
Bisecting k-means 50 to 100 maximum Features x clusters < 10 million No limit
GMM 50 to 100 maximum Features x clusters < 10 million No limit
LDA An interpretable number 1,000s of topics No limit
k-means Bisecting k-means GMM LDA（暂略）
k

Spark之MLlib的更多相关文章

  1. Spark机器学习MLlib系列１（for python）－－数据类型，向量，分布式矩阵，API

    Spark机器学习MLlib系列1(for python)--数据类型,向量,分布式矩阵,API 关键词:Local vector,Labeled point,Local matrix,Distrib ...

  2. spark Using MLLib in Scala/Java/Python

    Using MLLib in ScalaFollowing code snippets can be executed in spark-shell. Binary ClassificationThe ...

  3. 关于spark的mllib学习总结（Java版）

    本篇博客主要讲述如何利用spark的mliib构建机器学习模型并预测新的数据,具体的流程如下图所示: 加载数据 对于数据的加载或保存,mllib提供了MLUtils包,其作用是Helper metho ...

  4. Spark的MLlib和ML库的区别

    机器学习库(MLlib)指南 MLlib是Spark的机器学习(ML)库.其目标是使实际的机器学习可扩展和容易.在高层次上,它提供了如下工具: ML算法:通用学习算法,如分类,回归,聚类和协同过滤 特 ...

  5. Spark生态之Spark MLbase/MLlib

  6. spark MLLib的基础统计部分学习

    参考学习链接:http://www.itnose.net/detail/6269425.html 机器学习相关算法,建议初学者去看看斯坦福的机器学习课程视频:http://open.163.com/s ...

  7. 使用 Spark MLlib 做 K-means 聚类分析[转]

    原文地址:https://www.ibm.com/developerworks/cn/opensource/os-cn-spark-practice4/ 引言 提起机器学习 (Machine Lear ...

  8. Spark Mllib里的协调过滤的概念和实现步骤、LS、ALS的原理、ALS算法优化过程的推导、隐式反馈和ALS-WR算法

    不多说,直接上干货! 常见的推荐算法 1.基于关系规则的推荐 2.基于内容的推荐 3.人口统计式的推荐 4.协调过滤式的推荐 (广泛采用) 协调过滤的概念 在现今的推荐技术和算法中,最被大家广泛认可和 ...

  9. Spark MLlib之线性回归源代码分析

    1.理论基础 线性回归(Linear Regression)问题属于监督学习(Supervised Learning)范畴,又称分类(Classification)或归纳学习(Inductive Le ...

随机推荐

  1. 搜索条件两个时间，通过php数组排序，保证select语句between时间 前小后大

    //搜索条件两个时间,通过数组排序,保证select语句between时间 前小后大 $sort_array=[$_POST['clockDate1'],$_POST['clockDate2']]; ...

  2. （转）Arcgis for Js之Graphiclayer扩展详解

    http://blog.csdn.net/gisshixisheng/article/details/41208185 在前两节,讲到了两种不同方式的聚类,一种是基于距离的,一种是基于区域范围的,两种 ...

  3. Vue中this.$router.push参数获取（通过路由传参）【路由跳转的方法】

    传递参数的方法: 1.Params 由于动态路由也是传递params的,所以在 this.$router.push() 方法中 path不能和params一起使用,否则params将无效.需要用nam ...

  4. What is the difference between rhel 6 and rhel7

    What is the difference between rhel 6 and rhel7 difference rhel 6 RHEL 7 release date 10 NOV 2010 as ...

  5. P2884 [USACO07MAR]每月的费用Monthly Expense

    题目描述 Farmer John is an astounding accounting wizard and has realized he might run out of money to ru ...

  6. Mac下对Android apk反编译

    在Mac上进行反编译apk,需要三个工具,分别为(附下载地址): apktool,下载Mac版 作用:资源文件获取,能够提取出图片文件和布局文件进行使用查看 dex2jar,下载最新的即可,目前是2. ...

  7. Java Web项目实战第1篇之环境搭建

    写在前面的话 从今天开始一个Java Web实战项目,参考自 http://blog.csdn.net/eson_15/article/details/51277324 这个博客(非常感谢博主的分享精 ...

  8. Oracle学习总结（5）—— SQL语句经典案例

    --0.所有员工信息 SELECT * FROM emp --1.选择部门30的所有员工 SELECT * FROM emp WHERE deptno=20 --2.列出所有办事员(CLERK)的姓名 ...

  9. ansible plugins 列表

    [action plugins] [cache plugins]jsonfilememcachedmemorymongodbpickleredisyaml [callback plugins]acti ...

  10. 用sqlldr导入csv文件

    1.新建文件test.ctl,内容如下 load dataCHARACTERSET 'UTF16' \*指定编码格式,很重要*\ infile 'vodall.csv' append into tab ...

热门专题

accessdata ftk imager挂载磁盘镜像
jar包破解webstorm不成功的问题
计算旅途时间的c语言程序
oracle 时间 秒
chrome java乱码
酒鬼(JIUGUI)两个瓶盖换半瓶
WPF 监听网络是否正常
java 错误码转enum
原型对比学习PROTOTYPICAL CONTRASTIVE
sqlserver中转化日期函数CONVERT
servlet读取html表单参数问题
Python pandas用法大全
go test进行整个文件夹单测
fastjson序列化默认过滤class属性
安卓 系统 文件夹哪些可以导出文件
PIL读取图片转numpy
mathcad二维图形
一台电脑怎么配置两个github
vs怎么找对应的iis数据
MySQL 查询的数据中的某一列以数组返回的方法