Spark mllib 随机森林算法的简单应用（附代码）

此前用自己实现的随机森林算法，应用在titanic生还者预测的数据集上。事实上，有很多开源的算法包供我们使用。无论是本地的机器学习算法包sklearn 还是分布式的spark mllib，都是非常不错的选择。
　　Spark是目前比较流行的分布式计算解决方案，同时支持集群模式和本地单机模式。由于其通过scala语言开发，原生支持scala，同时由于python在科学计算等领域的广泛应用，Spark也提供了python的接口。

Spark的常用操作详见官方文档：
http://spark.apache.org/docs/latest/programming-guide.html

在终端下面键入如下命令，切换到spark的目录，进入相应的环境：
cd $SPARK_HOME

cd ./bin

./pyspark

可以看到，出现了python 的版本号以及spark的logo

此时，仍然是输入一句，运行一句并输出。可以事先编辑好脚本保存为filename然后：

./spark-submit filename

下面给出详细的代码：

1. import pandas as pd
2. import numpy as np
3. from pyspark.mllib.regression import LabeledPoint
4. from pyspark.mllib.tree import RandomForest
5. #将类别数量大于2的类别型变量进行重新编码，并把数据集变成labeledPoint格式
6. #df=pd.read_csv('/home/kim/t.txt',index_col=0)
7. #for col in ['Pclass','embrk']:
8. #    values=df[col].drop_duplicates()
9. #    for v in values:
10. #        col_name=col+str(v)
11. #        df[col_name]=(df[col]==v)
12. #        df[col_name]=df[col_name].apply(lambda x:int(x))
13. #df=df.drop(['Pclass','embrk'],axis=1)
14. #df.to_csv('train_data')
15. #读入数据集变成弹性分布式数据集RDD ，由于是有监督学习，需要转换为模型输入的格式LabeledPoint
16. rdd=pyspark.SparkContext.textFile('/home/kim/train')
17. train=rdd.map(lambda x:x.split(',')[1])
18. train=train.map(lambda line:LabeledPoint(line[1],line[2:]))
19. #模型训练
20. model=RandomForest.trainClassifier\
21. (train, numClasses=2, categoricalFeaturesInfo={},numTrees=1000,\
22. featureSubsetStrategy="auto",impurity='gini', maxDepth=4, maxBins=32)
23. #包含LabeledPoint对象的RDD，应用features方法返回其输入变量的值,label方法返回其真实类别
24. data_p=train.map(lambda lp:lp.features)
25. v=train.map(lambda lp:lp.label)
26. prediction=model.predict(data_p)
27. vp=v.zip(prediction)
28. #最后输出模型在训练集上的正确率
29. MSE=vp.map(lambda x:abs(x[0]-x[1]).sum())/vp.count()
30. print("MEAN SQURE ERROR: "+str(MSE))

import pandas as pd
import numpy as np
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.tree import RandomForest
 
#将类别数量大于2的类别型变量进行重新编码，并把数据集变成labeledPoint格式
#df=pd.read_csv('/home/kim/t.txt',index_col=0)
#for col in ['Pclass','embrk']:
#    values=df[col].drop_duplicates()
#    for v in values:
#        col_name=col+str(v)
#        df[col_name]=(df[col]==v)
#        df[col_name]=df[col_name].apply(lambda x:int(x))
#df=df.drop(['Pclass','embrk'],axis=1)
#df.to_csv('train_data')
 
#读入数据集变成弹性分布式数据集RDD ，由于是有监督学习，需要转换为模型输入的格式LabeledPoint
rdd=pyspark.SparkContext.textFile('/home/kim/train')
train=rdd.map(lambda x:x.split(',')[1])
train=train.map(lambda line:LabeledPoint(line[1],line[2:]))
 
#模型训练
model=RandomForest.trainClassifier\
(train, numClasses=2, categoricalFeaturesInfo={},numTrees=1000,\
featureSubsetStrategy="auto",impurity='gini', maxDepth=4, maxBins=32)
 
#包含LabeledPoint对象的RDD，应用features方法返回其输入变量的值,label方法返回其真实类别
data_p=train.map(lambda lp:lp.features)
v=train.map(lambda lp:lp.label)
prediction=model.predict(data_p)
vp=v.zip(prediction)
 
#最后输出模型在训练集上的正确率
MSE=vp.map(lambda x:abs(x[0]-x[1]).sum())/vp.count()
print("MEAN SQURE ERROR: "+str(MSE))

后面可以多加测试，例如：

使用更大规模的数据集；

将数据集划分为训练集测试集，在训练集上建模在测试集上评估模型性能；

使用mllib里面的其他算法并比较效果，等等

欢迎大家与我交流！