记录pyspark ml与pmml的用法

栏目: 服务器 · 发布时间: 6年前

内容简介:这两天实践了一下sklearn、pyspark ml、pmml,下面记录一下。项目地址:train_df.show()打印出了经过RFormula特征提取后的DataFrame:

这两天实践了一下sklearn、pyspark ml、pmml,下面记录一下。

项目地址: https://github.com/owenliang/machine-learning 

sklearn LR分类

# -*- coding: utf-8 -*-
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
 
# GBDT算法
# from sklearn.ensemble import GradientBoostingClassifier
 
# 从官网下载数据
iris = load_iris()
 
# 随机拆分训练集与测试集
train_x, test_x, train_y, test_y = train_test_split(iris.data, iris.target, test_size = 0.2)
 
# 逻辑回归分类算法
lr = LogisticRegression()
 
# 训练模型
lr.fit(train_x, train_y)
 
# 预测
predict_y = lr.predict(test_x)
print(predict_y)
 
# 模型得分
score = lr.score(test_x, test_y)
print(score)
  • 利用train_test_split切分了训练集合和验证集合
  • fit训练了LR回归分类模型
  • predict预测了验证集合
  • score计算了预测模型的得分

spark LR分类

# -*- coding: utf-8 -*-
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from sklearn.datasets import load_iris
import pandas
from pyspark.ml.classification import LogisticRegression
from pyspark.ml.feature import  VectorAssembler
from pyspark.mllib.evaluation import BinaryClassificationMetrics
from pyspark.ml.feature import RFormula
 
# 配置spark客户端
conf = SparkConf().setAppName("lr_spark")
conf = conf.setMaster("local")
sc = SparkContext(conf = conf)
 
# 加载sklearn的训练数据
iris = load_iris()
# 特征矩阵
features = pandas.DataFrame(iris.data, columns = iris.feature_names)
# 目标矩阵
targets = pandas.DataFrame(iris.target, columns = ['Species'])
# 合并矩阵
merged = pandas.concat([features, targets], axis = 1)
 
# 创建SparkSession
sess = SparkSession(sc)
 
# 创建spark DataFrame
raw_df = sess.createDataFrame(merged)
 
# 提取特征与目标
fomula = RFormula(formula = 'Species ~ .')
raw_df = fomula.fit(raw_df).transform(raw_df)
 
# 拆分训练集和测试集
train_df, test_df = raw_df.randomSplit([0.8, 0.2])
 
# 创建LR分类器
lr = LogisticRegression()
 
# 训练
train_df.show()
model = lr.fit(train_df)
 
# 预测test集合
predict_df = model.transform(test_df)
 
# 对测试集做predict, 生成(预测分类, 正确分类)
def build_predict_target(row):
    return (float(row.prediction), float(row.Species))
 
predict_and_target_rdd = predict_df.rdd.map(build_predict_target)
 
# 统计模型效果
metrics = BinaryClassificationMetrics(predict_and_target_rdd)
print(metrics.areaUnderPR)
 
# 保存模型到磁盘
model.write().overwrite().save('./lr.model')
  • 利用pandas将原始数组转换成DataFrame矩阵
  • 利用concat将特征与目标矩阵按行连接
  • 利用SparkSession将本地的pandas.DataFrame上传到spark集群中,变成了spark中的分布式DataFrame
  • 利用RFormula将DataFrame中属于特征的列提取到features字段中,将目标提取到labal字段
  • 将数据随机切分成8:2的训练集合与测试集合
  • 利用spark的逻辑回归分类器进行分布式训练fit
  • 然后调用transform完成对测试集的预测,得到一个预测结果的DataFrame
  • 将预测结果DataFrame转换成rdd并运行map输出(预测分类,正确分类)
  • 利用spark的一个Metrics库,统计模型得分
  • 最后将训练好的LR模型保存到hdfs上的lr.model文件

train_df.show()打印出了经过RFormula特征提取后的DataFrame:

+-----------------+----------------+-----------------+----------------+-------+-----------------+-----+
|sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|Species|         features|label|
+-----------------+----------------+-----------------+----------------+-------+-----------------+-----+
|              4.4|             3.2|              1.3|             0.2|      0|[4.4,3.2,1.3,0.2]|  0.0|
|              4.5|             2.3|              1.3|             0.3|      0|[4.5,2.3,1.3,0.3]|  0.0|
|              4.6|             3.1|              1.5|             0.2|      0|[4.6,3.1,1.5,0.2]|  0.0|
|              4.6|             3.2|              1.4|             0.2|      0|[4.6,3.2,1.4,0.2]|  0.0|
|              4.6|             3.6|              1.0|             0.2|      0|[4.6,3.6,1.0,0.2]|  0.0|
|              4.7|             3.2|              1.3|             0.2|      0|[4.7,3.2,1.3,0.2]|  0.0|
|              4.7|             3.2|              1.6|             0.2|      0|[4.7,3.2,1.6,0.2]|  0.0|
|              4.8|             3.0|              1.4|             0.1|      0|[4.8,3.0,1.4,0.1]|  0.0|
|              4.8|             3.0|              1.4|             0.3|      0|[4.8,3.0,1.4,0.3]|  0.0|
|              4.8|             3.1|              1.6|             0.2|      0|[4.8,3.1,1.6,0.2]|  0.0|
|              4.8|             3.4|              1.6|             0.2|      0|[4.8,3.4,1.6,0.2]|  0.0|
|              4.9|             2.4|              3.3|             1.0|      1|[4.9,2.4,3.3,1.0]|  1.0|
|              4.9|             2.5|              4.5|             1.7|      2|[4.9,2.5,4.5,1.7]|  2.0|
|              4.9|             3.0|              1.4|             0.2|      0|[4.9,3.0,1.4,0.2]|  0.0|
|              5.0|             2.0|              3.5|             1.0|      1|[5.0,2.0,3.5,1.0]|  1.0|
|              5.0|             2.3|              3.3|             1.0|      1|[5.0,2.3,3.3,1.0]|  1.0|
|              5.0|             3.0|              1.6|             0.2|      0|[5.0,3.0,1.6,0.2]|  0.0|
|              5.0|             3.2|              1.2|             0.2|      0|[5.0,3.2,1.2,0.2]|  0.0|
|              5.0|             3.3|              1.4|             0.2|      0|[5.0,3.3,1.4,0.2]|  0.0|
|              5.0|             3.4|              1.5|             0.2|      0|[5.0,3.4,1.5,0.2]|  0.0|
+-----------------+----------------+-----------------+----------------+-------+-----------------+-----+
only showing top 20 rows

可见4个特征被提取到了features字段,目标被提取到了labal字段。

其实无论对pandas还是spark来说,DataFrame都类似于一张 MYSQL 中的数据表,理解这一点非常重要。

spark ml导出PMML

PMML是预测模型的通用描述语言,简单的说就是用XML语法保存模型的一种标准规范,按照这个格式保存模型,其他编程语言也可以加载模型完成预测。

# -*- coding: utf-8 -*-
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from sklearn.datasets import load_iris
import pandas
from pyspark.ml.classification import LogisticRegression
from pyspark.ml import Pipeline
from pyspark2pmml import PMMLBuilder
from pyspark.ml.feature import RFormula
 
# 配置spark客户端
conf = SparkConf().setAppName("lr_spark").set("spark.jars", "./jpmml-sparkml-executable-1.4.5.jar") # 注意: 这里需要加载jpmml jar
conf = conf.setMaster("local")
sc = SparkContext(conf = conf)
 
# 加载sklearn的训练数据
iris = load_iris()
# 特征矩阵
features = pandas.DataFrame(iris.data, columns = iris.feature_names)
# 目标矩阵
targets = pandas.DataFrame(iris.target, columns = ['Species'])
# 合并矩阵
merged = pandas.concat([features, targets], axis = 1)
 
# 创建SparkSession
sess = SparkSession(sc)
 
# 创建spark DataFrame
raw_df = sess.createDataFrame(merged)
 
# 特征提取
fomula = RFormula(formula = 'Species ~ .')
 
# 创建LR分类器
lr = LogisticRegression()
 
# 流水线: 先提取特征, 再训练模型
pipeline = Pipeline(stages = [fomula, lr])
pipeline_model = pipeline.fit(raw_df)
 
# 导出PMML
pmmlBuilder = PMMLBuilder(sc, raw_df, pipeline_model)
pmmlBuilder.buildFile("lr.pmml")

PMML支持导出extract、transform、estimator的完整过程,即特征的提取、转换、模型都可以导出。

我们通过pipeline配置整个训练流程,这里我配置了先经过RFormula提取特征与目标,然后再交给LR模型训练。大家也可以再增加其他的流程,比如对特征做标准化,归一化等操作都可以。

经过pipeline.fit训练后得到了模型,这个模型里包含了提取、转换、训练的完整信息,可以交给PMML来导出到文件。

我们看一下PMML文件就明白了:

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<PMML xmlns="http://www.dmg.org/PMML-4_3" xmlns:data="http://jpmml.org/jpmml-model/InlineTable" version="4.3">
 <Header>
 <Application name="JPMML-SparkML" version="1.4.5"/>
 <Timestamp>2018-07-17T03:25:17Z</Timestamp>
 </Header>
 <DataDictionary>
 <DataField name="Species" optype="categorical" dataType="integer">
 <Value value="0"/>
 <Value value="1"/>
 <Value value="2"/>
 </DataField>
 <DataField name="sepal length (cm)" optype="continuous" dataType="double"/>
 <DataField name="sepal width (cm)" optype="continuous" dataType="double"/>
 <DataField name="petal length (cm)" optype="continuous" dataType="double"/>
 <DataField name="petal width (cm)" optype="continuous" dataType="double"/>
 </DataDictionary>
 <RegressionModel functionName="classification" normalizationMethod="softmax">
 <MiningSchema>
 <MiningField name="Species" usageType="target"/>
 <MiningField name="sepal length (cm)"/>
 <MiningField name="sepal width (cm)"/>
 <MiningField name="petal length (cm)"/>
 <MiningField name="petal width (cm)"/>
 </MiningSchema>
 <Output>
 <OutputField name="pmml(prediction)" optype="categorical" dataType="integer" feature="predictedValue"/>
 <OutputField name="prediction" optype="categorical" dataType="double" feature="transformedValue">
 <MapValues outputColumn="data:output">
 <FieldColumnPair field="pmml(prediction)" column="data:input"/>
 <InlineTable>
 <row>
 <data:input>0</data:input>
 <data:output>0</data:output>
 </row>
 <row>
 <data:input>1</data:input>
 <data:output>1</data:output>
 </row>
 <row>
 <data:input>2</data:input>
 <data:output>2</data:output>
 </row>
 </InlineTable>
 </MapValues>
 </OutputField>
 <OutputField name="probability(0)" optype="continuous" dataType="double" feature="probability" value="0"/>
 <OutputField name="probability(1)" optype="continuous" dataType="double" feature="probability" value="1"/>
 <OutputField name="probability(2)" optype="continuous" dataType="double" feature="probability" value="2"/>
 </Output>
 <RegressionTable intercept="2.0589260323395826" targetCategory="0">
 <NumericPredictor name="sepal length (cm)" coefficient="-9.3215388958028"/>
 <NumericPredictor name="sepal width (cm)" coefficient="40.62625783146442"/>
 <NumericPredictor name="petal length (cm)" coefficient="-11.78994187010167"/>
 <NumericPredictor name="petal width (cm)" coefficient="-26.527030223116284"/>
 </RegressionTable>
 <RegressionTable intercept="20.289599797446442" targetCategory="1">
 <NumericPredictor name="sepal length (cm)" coefficient="5.8933440030500135"/>
 <NumericPredictor name="sepal width (cm)" coefficient="-16.972682698035506"/>
 <NumericPredictor name="petal length (cm)" coefficient="1.1802982181289101"/>
 <NumericPredictor name="petal width (cm)" coefficient="4.120419403699187"/>
 </RegressionTable>
 <RegressionTable intercept="-22.348525829786027" targetCategory="2">
 <NumericPredictor name="sepal length (cm)" coefficient="3.428194892752785"/>
 <NumericPredictor name="sepal width (cm)" coefficient="-23.653575133428916"/>
 <NumericPredictor name="petal length (cm)" coefficient="10.60964365197276"/>
 <NumericPredictor name="petal width (cm)" coefficient="22.406610819417097"/>
 </RegressionTable>
 </RegressionModel>
</PMML>
  • DataDictionary描述了有哪些特征,特征排列的顺序是什么,目标是什么。
  • RegressionModel描述了回归分类算法的模型信息,可以看到每个分类的模型参数。

总结

关键记住2点:

  • DataFrame等价于mysql table,每一列有名字关联,需要参与训练的特征被提取到features字段,即特征向量。
  • PMML可以导出完整的提取、转换、预测模型,供其他语言加载使用(主要是JAVA)。

以上所述就是小编给大家介绍的《记录pyspark ml与pmml的用法》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

金字塔原理

金字塔原理

[美] 巴巴拉·明托 / 王德忠、张珣 / 民主与建设出版社 / 2002-12 / 39.80元

《金字塔原理》是一本讲解写作逻辑与思维逻辑的读物,全书分为四个部分。 第一篇主要对金字塔原理的概念进行了解释,介绍了如何利用这一原理构建基本的金字塔结构。目的是使读者理解和运用简单文书的写作技巧。 第二篇介绍了如何深入细致地把握思维的环节,以保证使用的语句能够真实地反映希望表达的思想要点。书中列举了许多实例,突出了强迫自己进行“冷静思维”对明确表达思想的重要性。 第三篇主要针对的......一起来看看 《金字塔原理》 这本书的介绍吧!

JSON 在线解析
JSON 在线解析

在线 JSON 格式化工具

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具