Spark機器學習

Spark機器學習

Pipelines中的主要概念

MLlib 提供的API可以通過Pipelines將多個複雜的機器學習算法結合成單個pipeline或者單個工作流。這個概念和scikit-learn裏的概念類似，根據官方的說法是，此抽象概念的設計靈感來自於scikit-learn。

·        DataFrame:通過Spark SQL 組件裏的DataFrame作爲機器學習的數據集。支持多種數據類型.比如 DataFrame 可以將文本，數據庫等外部數據源劃分爲不同的列,包含特徵向量, 特徵值等。

·        Transformer: 一個 Transformer可以將一個DataFrame 轉換成另一個DataFrame. 比如, 一個機器學習模型可以將帶有特徵值的DataFrame轉換爲一個帶有模型預測結果數據的DataFrame.

·        Estimator:通過 DataFrame數據集進行訓練 產生一個機器學習模型的算法。

·        Pipeline:聯合多個 Transformer和 Estimator構成一個機器學習工作流。

·        Parameter: 所有Transformer和 Estimator指定參數的共享API。

 

DataFrame

DataFrame裏廣泛運用的數據結構，可以包含向量，文本，圖片，以及結構化數據。DataFrame通過Spark SQL支持多種數據源。

 

工作流程如圖所示：

 

機器學習中Pipleline流程圖

 

正如圖中所示，Pipeline有三個階段，每個階段要麼是Transformer ，要麼就是Estimator，這些階段按照一定的順序執行，執行的過程中，通過圓柱體代表的DataFrame類型的Raw text產生一個新的Words(DataFrame類型)，最後建立了一個LogisticRegressionModel。圖中的Tokenizer,HashingTF都是Transformer,而LogisticRegressionModel是Estimator 。

在Transformer  階段，主要調用transform()方法進行計算。

在Estimator階段，主要調用fit()方法進行計算。

 

DAG Pipelines：多個階段形成一個pipeline,同理，DAG Pipelines就是多個pipeline組成的一個有向無環圖。

運行時檢查：數據結構DataFrame中可以有各種各樣的數據，但是在編譯的時候不會檢查數據的數據類型，而是在運行的時候才根據DataFrame的Schema來檢查數據類型。

唯一ID標識:Pipeline的每一個階段（stage）都通過id來進行唯一的標識，同一個相同的實列，比如HashingTF不會插入到同一個Pipeline倆次，因爲每一個stage都有自身的唯一的ID來進行標識。

 

保存和讀取pipeline

代碼案例：

Estimator, Transformer, 以及 Param綜合案例

 

importorg.apache.spark.ml.classification.LogisticRegression

importorg.apache.spark.ml.linalg.{Vector,Vectors}

importorg.apache.spark.ml.param.ParamMap

importorg.apache.spark.sql.Row

 

// Prepare training data from a list of (label, features)tuples.

valtraining=spark.createDataFrame(Seq(

  (1.0,Vectors.dense(0.0,1.1,0.1)),

  (0.0,Vectors.dense(2.0,1.0,-1.0)),

  (0.0,Vectors.dense(2.0,1.3,1.0)),

  (1.0,Vectors.dense(0.0,1.2,-0.5))

)).toDF("label","features")

 

// Create a LogisticRegression instance. This instance is anEstimator.

vallr=newLogisticRegression()

// Print out the parameters, documentation, and any defaultvalues.

println("LogisticRegressionparameters:\n"+lr.explainParams()+"\n")

 

// We may set parameters using setter methods.

lr.setMaxIter(10)

  .setRegParam(0.01)

 

// Learn a LogisticRegression model. This uses the parametersstored in lr.

valmodel1=lr.fit(training)

// Since model1 is a Model (i.e., a Transformer produced byan Estimator),

// we can view the parameters it used during fit().

// This prints the parameter (name: value) pairs, where namesare unique IDs for this

// LogisticRegression instance.

println("Model 1 was fit usingparameters: "+model1.parent.extractParamMap)

 

// We may alternatively specify parameters using a ParamMap,

// which supports several methods for specifying parameters.

valparamMap=ParamMap(lr.maxIter->20)

  .put(lr.maxIter,30) // Specify 1 Param. This overwrites the original maxIter.

  .put(lr.regParam->0.1,lr.threshold->0.55) // Specify multiple Params.

 

// One can also combine ParamMaps.

valparamMap2=ParamMap(lr.probabilityCol->"myProbability") // Change output column name.

valparamMapCombined=paramMap++paramMap2

 

// Now learn a new model using the paramMapCombinedparameters.

// paramMapCombined overrides all parameters set earlier vialr.set* methods.

valmodel2=lr.fit(training,paramMapCombined)

println("Model 2 was fit usingparameters: "+model2.parent.extractParamMap)

 

// Prepare test data.

valtest=spark.createDataFrame(Seq(

  (1.0,Vectors.dense(-1.0,1.5,1.3)),

  (0.0,Vectors.dense(3.0,2.0,-0.1)),

  (1.0,Vectors.dense(0.0,2.2,-1.5))

)).toDF("label","features")

 

// Make predictions on test data using theTransformer.transform() method.

// LogisticRegression.transform will only use the 'features'column.

// Note that model2.transform() outputs a 'myProbability'column instead of the usual

// 'probability' column since we renamed thelr.probabilityCol parameter previously.

model2.transform(test)

  .select("features","label","myProbability","prediction")

  .collect()

  .foreach{caseRow(features:Vector,label:Double,prob:Vector,prediction:Double)=>

    println(s"($features, $label) -> prob=$prob, prediction=$prediction")

  }

Pipeline單獨的案例代碼

 

importorg.apache.spark.ml.{Pipeline,PipelineModel}

importorg.apache.spark.ml.classification.LogisticRegression

importorg.apache.spark.ml.feature.{HashingTF,Tokenizer}

importorg.apache.spark.ml.linalg.Vector

importorg.apache.spark.sql.Row

// Prepare training documents from a list of (id, text, label) tuples.

val training = spark.createDataFrame(Seq(

  (0L,"a b c d e spark",1.0),

  (1L,"b d",0.0),

  (2L,"spark f g h",1.0),

  (3L,"hadoop mapreduce",0.0)

)).toDF("id","text","label")

// Configure an ML pipeline, which consists of three stages: tokenizer, hashingTF, and lr.

val tokenizer =newTokenizer()

  .setInputCol("text")

  .setOutputCol("words")

val hashingTF =newHashingTF()

  .setNumFeatures(1000)

  .setInputCol(tokenizer.getOutputCol)

  .setOutputCol("features")

val lr =newLogisticRegression()

  .setMaxIter(10)

  .setRegParam(0.001)

val pipeline =newPipeline()

  .setStages(Array(tokenizer, hashingTF, lr))

// Fit the pipeline to training documents.

val model = pipeline.fit(training)

// Now we can optionally save the fitted pipeline to disk

model.write.overwrite().save("/tmp/spark-logistic-regression-model")

// We can also save this unfit pipeline to disk

pipeline.write.overwrite().save("/tmp/unfit-lr-model")

// And load it back in during production

val sameModel =PipelineModel.load("/tmp/spark-logistic-regression-model")

// Prepare test documents, which are unlabeled (id, text) tuples.

val test = spark.createDataFrame(Seq(

  (4L,"spark i j k"),

  (5L,"l m n"),

  (6L,"spark hadoop spark"),

  (7L,"apache hadoop")

)).toDF("id","text")

// Make predictions on test documents.

model.transform(test)

  .select("id","text","probability","prediction")

  .collect()

  .foreach{caseRow(id:Long, text:String, prob:Vector, prediction:Double)=>

    println(s"($id, $text) --> prob=$prob, prediction=$prediction")

  }