【pyspark学习从入门到精通23】机器学习库_6

目录

分割连续变量

标准化连续变量

分类

---

分割连续变量

我们经常处理高度非线性的连续特征，而且只用一个系数很难拟合到我们的模型中。
在这种情况下，可能很难只通过一个系数来解释这样一个特征与目标之间的关系。有时，将值划分到离散的桶中是有用的。

首先，让我们使用以下代码创建一些伪造数据：

import numpy as np
x = np.arange(0, 100)
x = x / 100.0 * np.pi * 4
y = x * np.sin(x / 1.764) + 20.1234

现在，我们可以通过以下代码创建一个 DataFrame：

schema = typ.StructType([typ.StructField('continuous_var', typ.DoubleType(), False)
])
data = spark.createDataFrame([[float(e), ] for e in y], schema=schema)

接下来，我们将使用 QuantileDiscretizer 模型将我们的连续变量分割成五个桶（numBuckets 参数）：

discretizer = ft.QuantileDiscretizer(numBuckets=5, inputCol='continuous_var', outputCol='discretized')

让我们看看我们得到了什么：

data_discretized = discretizer.fit(data).transform(data)

我们的函数现在看起来如下：

现在我们可以将这个变量当作分类变量，并使用 OneHotEncoder 进行编码，以便将来使用。

标准化连续变量

标准化连续变量不仅有助于更好地理解特征之间的关系（因为解释系数变得更容易），而且还有助于计算效率，并防止陷入一些数值陷阱。以下是如何在 PySpark ML 中进行操作。

首先，我们需要创建我们的连续变量的向量表示（因为它只是一个单独的浮点数）：

vectorizer = ft.VectorAssembler(inputCols=['continuous_var'], outputCol= 'continuous_vec')

接下来，我们构建我们的标准化器和管道。通过将 withMean 和 withStd 设置为 True，该方法将去除均值，并将方差缩放到单位长度：

normalizer = ft.StandardScaler(inputCol=vectorizer.getOutputCol(), outputCol='normalized', withMean=True,withStd=True
)
pipeline = Pipeline(stages=[vectorizer, normalizer])
data_standardized = pipeline.fit(data).transform(data)

这是转换后的数据的样子：

如你所见，数据现在围绕 0 振荡，具有单位方差（绿线）。

分类

到目前为止，我们只使用了 PySpark ML 中的 LogisticRegression 模型。在这一部分，我们将使用 RandomForestClassifier 再次模拟婴儿的生存机会。

在我们可以做到这一点之前，我们需要将标签特征转换为 DoubleType：

import pyspark.sql.functions as func
births = births.withColumn('INFANT_ALIVE_AT_REPORT', func.col('INFANT_ALIVE_AT_REPORT').cast(typ.DoubleType())
)
births_train, births_test = births \.randomSplit([0.7, 0.3], seed=666)

现在我们已经将标签转换为双精度，我们准备构建我们的模型。我们以与之前类似的方式进行，区别是我们将重用本章早期的编码器和 featureCreator。numTrees 参数指定应该有多少决策树在我们的随机森林中，maxDepth 参数限制了树的深度：

classifier = cl.RandomForestClassifier(numTrees=5, maxDepth=5, labelCol='INFANT_ALIVE_AT_REPORT')
pipeline = Pipeline(stages=[encoder,featuresCreator, classifier])
model = pipeline.fit(births_train)
test = model.transform(births_test)

现在让我们来看看 RandomForestClassifier 模型与 LogisticRegression 模型相比表现如何：

evaluator = ev.BinaryClassificationEvaluator(labelCol='INFANT_ALIVE_AT_REPORT')
print(evaluator.evaluate(test, {evaluator.metricName: "areaUnderROC"}))
print(evaluator.evaluate(test, {evaluator.metricName: "areaUnderPR"}))

我们得到以下结果：

嗯，正如你看到的，结果比逻辑回归模型好大约 3 个百分点。让我们测试一下单棵树的模型表现如何：

classifier = cl.DecisionTreeClassifier(maxDepth=5, labelCol='INFANT_ALIVE_AT_REPORT')
pipeline = Pipeline(stages=[encoder,featuresCreator, classifier])
model = pipeline.fit(births_train)
test = model.transform(births_test)
evaluator = ev.BinaryClassificationEvaluator(labelCol='INFANT_ALIVE_AT_REPORT')
print(evaluator.evaluate(test, {evaluator.metricName: "areaUnderROC"}))
print(evaluator.evaluate(test, {evaluator.metricName: "areaUnderPR"}))

前面的代码给出了以下结果：

一点也不差！实际上，在精确度-召回率关系方面，它的表现比随机森林模型更好，而且在 ROC 下面积方面只是稍微差一些。我们可能刚刚发现了一个赢家！