地址:

 
Spark PipeLine

是基于DataFrames的高层的API,可以方便用户构建和调试机器学习流水线

可以使得多个机器学习算法顺序执行,达到高效的数据处理的目的
 
DataFrame是来自Spark SQL的ML DataSet 可以存储一系列的数据类型,text,特征向量,Label和预测结果
 
Transformer:将DataFrame转化为另外一个DataFrame的算法,通过实现transform()方法
Estimator:将DataFrame转化为一个Transformer的算法,通过实现fit()方法
 
PipeLine:将多个Transformer和Estimator串成一个特定的ML Wolkflow
Parameter:Tansformer和Estimator共用同一个声明参数的API
 
Transformer和Estimator是PipeLine的Stage
Pipeline是一系列的Stage按照声明的顺序排列成的工作流
 
Transformer.transform()和Estimator.fit()都是无状态的
每一个Transformer和Estimator的实例都有唯一的ID在声明参数的时候非常有用
 
下面是一个线性的PipeLine的流程

 
上面创建的是线性的PipeLine,每一步都依赖上一步的结果
如果数据流可以组成有向不循环图(Directed Acyclic Graph DAG)
那么可以创建Non-Linear Pipeline
 
RuntimeCheching:因为PipeLine可以操作多种类型的DataFrame
所以不能使用编译时检测
那么PipeLine或者PipeLine Model使用运行时检测
这种检测使用了DataFrame Schema这个Schema是DataFrame列的数据类型的描述
 
Unique PipeLine Stage:PipeLine Stage应当都是唯一的实例,都拥有唯一的ID
 
Param是一个命名参数,带有自包含文档
ParamMap是一个参数与值的对(parameter,value)
 
将参数传递给算法主要有下面两种方式:
1. 为实例设置参数,若Ir是LogisticRegression的实例,调用Ir.SetMaxIter(10)意味着Ir.fit()做多调用10次
2. 传递一个ParamMap给fit()或者transform()那么位于map中的所有的parameter都会通过setter方法override以前的参数
 
很多时候将PipeLine保存到disk方便以后的使用是值得的
Spark 1.6时候,model Import/Export函数被添加到PipeLine API
大部分transformer和一些ML Model支持I/O
 
下面是基本组件的一些操作的例子:
 
 
  1. #导入向量和模型
  2. from pyspark.ml.linalg importVectors
  3. from pyspark.ml.classification importLogisticRegression
  4. #准备训练数据
  5. # Prepare training data from a list of (label, features) tuples.
  6. training = spark.createDataFrame([
  7. (1.0,Vectors.dense([0.0,1.1,0.1])),
  8. (0.0,Vectors.dense([2.0,1.0,-1.0])),
  9. (0.0,Vectors.dense([2.0,1.3,1.0])),
  10. (1.0,Vectors.dense([0.0,1.2,-0.5]))],["label","features"])
  11. #创建回归实例,这个实例是Estimator
  12. # Create a LogisticRegression instance. This instance is an Estimator.
  13. lr =LogisticRegression(maxIter=10, regParam=0.01)
  14. #打印出参数和文档
  15. # Print out the parameters, documentation, and any default values.
  16. print"LogisticRegression parameters:\n"+ lr.explainParams()+"\n"
  17. #使用Ir中的参数训练出Model1
  18. # Learn a LogisticRegression model. This uses the parameters stored in lr.
  19. model1 = lr.fit(training)
  20. # Since model1 is a Model (i.e., a transformer produced by an Estimator),
  21. # we can view the parameters it used during fit().
  22. # This prints the parameter (name: value) pairs, where names are unique IDs for this
  23. # LogisticRegression instance.
  24. #查看model1在fit()中使用的参数
  25. print"Model 1 was fit using parameters: "
  26. print model1.extractParamMap()
  27. #修改其中的一个参数
  28. # We may alternatively specify parameters using a Python dictionary as a paramMap
  29. paramMap ={lr.maxIter:20}
  30. #覆盖掉
  31. paramMap[lr.maxIter]=30# Specify 1 Param, overwriting the original maxIter.
  32. #更新参数对
  33. paramMap.update({lr.regParam:0.1, lr.threshold:0.55})# Specify multiple Params.
  34. # You can combine paramMaps, which are python dictionaries.
  35. #新的参数,合并为两组参数对
  36. paramMap2 ={lr.probabilityCol:"myProbability"}# Change output column name
  37. paramMapCombined = paramMap.copy()
  38. paramMapCombined.update(paramMap2)
  39. #重新得到model2并拿出来参数看看
  40. # Now learn a new model using the paramMapCombined parameters.
  41. # paramMapCombined overrides all parameters set earlier via lr.set* methods.
  42. model2 = lr.fit(training, paramMapCombined)
  43. print"Model 2 was fit using parameters: "
  44. print model2.extractParamMap()
  45. #准备测试的数据
  46. # Prepare test data
  47. test = spark.createDataFrame([
  48. (1.0,Vectors.dense([-1.0,1.5,1.3])),
  49. (0.0,Vectors.dense([3.0,2.0,-0.1])),
  50. (1.0,Vectors.dense([0.0,2.2,-1.5]))],["label","features"])
  51. # Make predictions on test data using the Transformer.transform() method.
  52. # LogisticRegression.transform will only use the 'features' column.
  53. # Note that model2.transform() outputs a "myProbability" column instead of the usual
  54. # 'probability' column since we renamed the lr.probabilityCol parameter previously.
  55. prediction = model2.transform(test)
  56. #得到预测的DataFrame打印出预测中的选中列
  57. selected = prediction.select("features","label","myProbability","prediction")
  58. for row in selected.collect():
  59. print row
 
 
下面是一个PipeLine的实例:
 
  1. from pyspark.ml importPipeline
  2. from pyspark.ml.classification importLogisticRegression
  3. from pyspark.ml.feature importHashingTF,Tokenizer
  4. #准备测试数据
  5. # Prepare training documents from a list of (id, text, label) tuples.
  6. training = spark.createDataFrame([
  7. (0L,"a b c d e spark",1.0),
  8. (1L,"b d",0.0),
  9. (2L,"spark f g h",1.0),
  10. (3L,"hadoop mapreduce",0.0)],["id","text","label"])
  11. #构建机器学习流水线
  12. # Configure an ML pipeline, which consists of three stages: tokenizer, hashingTF, and lr.
  13. tokenizer =Tokenizer(inputCol="text", outputCol="words")
  14. hashingTF =HashingTF(inputCol=tokenizer.getOutputCol(), outputCol="features")
  15. lr =LogisticRegression(maxIter=10, regParam=0.01)
  16. pipeline =Pipeline(stages=[tokenizer, hashingTF, lr])
  17. #训练出model
  18. # Fit the pipeline to training documents.
  19. model = pipeline.fit(training)
  20. #测试数据
  21. # Prepare test documents, which are unlabeled (id, text) tuples.
  22. test = spark.createDataFrame([
  23. (4L,"spark i j k"),
  24. (5L,"l m n"),
  25. (6L,"mapreduce spark"),
  26. (7L,"apache hadoop")],["id","text"])
  27. #预测,打印出想要的结果
  28. # Make predictions on test documents and print columns of interest.
  29. prediction = model.transform(test)
  30. selected = prediction.select("id","text","prediction")
  31. for row in selected.collect():
  32. print(row)

Spark.ML之PipeLine学习笔记的更多相关文章

  1. ML机器学习导论学习笔记

    机器学习的定义: 机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论.统计学.逼近论.凸分析.算法复杂度理论等多门学科.专门研究计算机怎样模拟或实现人类的学习行为,以 ...

  2. Spark ML下实现的多分类adaboost+naivebayes算法在文本分类上的应用

    1. Naive Bayes算法 朴素贝叶斯算法算是生成模型中一个最经典的分类算法之一了,常用的有Bernoulli和Multinomial两种.在文本分类上经常会用到这两种方法.在词袋模型中,对于一 ...

  3. spark ML pipeline 学习

    一.pipeline 一个典型的机器学习过程从数据收集开始,要经历多个步骤,才能得到需要的输出.这非常类似于流水线式工作,即通常会包含源数据ETL(抽取.转化.加载),数据预处理,指标提取,模型训练与 ...

  4. 【原】Learning Spark (Python版) 学习笔记(三)----工作原理、调优与Spark SQL

    周末的任务是更新Learning Spark系列第三篇,以为自己写不完了,但为了改正拖延症,还是得完成给自己定的任务啊 = =.这三章主要讲Spark的运行过程(本地+集群),性能调优以及Spark ...

  5. spark学习笔记总结-spark入门资料精化

    Spark学习笔记 Spark简介 spark 可以很容易和yarn结合,直接调用HDFS.Hbase上面的数据,和hadoop结合.配置很容易. spark发展迅猛,框架比hadoop更加灵活实用. ...

  6. 使用spark ml pipeline进行机器学习

    一.关于spark ml pipeline与机器学习 一个典型的机器学习构建包含若干个过程 1.源数据ETL 2.数据预处理 3.特征选取 4.模型训练与验证 以上四个步骤可以抽象为一个包括多个步骤的 ...

  7. Spark ML Pipeline简介

    Spark ML Pipeline基于DataFrame构建了一套High-level API,我们可以使用MLPipeline构建机器学习应用,它能够将一个机器学习应用的多个处理过程组织起来,通过在 ...

  8. 机器学习框架ML.NET学习笔记【6】TensorFlow图片分类

    一.概述 通过之前两篇文章的学习,我们应该已经了解了多元分类的工作原理,图片的分类其流程和之前完全一致,其中最核心的问题就是特征的提取,只要完成特征提取,分类算法就很好处理了,具体流程如下: 之前介绍 ...

  9. 机器学习框架ML.NET学习笔记【7】人物图片颜值判断

    一.概述 这次要解决的问题是输入一张照片,输出人物的颜值数据. 学习样本来源于华南理工大学发布的SCUT-FBP5500数据集,数据集包括 5500 人,每人按颜值魅力打分,分值在 1 到 5 分之间 ...

随机推荐

  1. centos 6 7更改主机名 命令添加ip

    6:vi /etc/sysconfig/network 中hostname =主机名 vi /etc/hosts  添加127.0.0.1相应的主机名 7: hostnamectl set-hostn ...

  2. Length of Last Word

    class Solution { public: int lengthOfLastWord(string s) { ; ; while(s[i]&&s[i]==' ') i++; // ...

  3. 纯CSS实现nav导航栏+jQuery实现article区DIV切换

    效果图: main.html 代码: <!DOCTYPE html> <html> <head> <title>MyHomepage</title ...

  4. Hibernate,Session方法使得java对象进入持久化状态;持久化对象特征

    以下情况java对象进入持久化状态: session.save()方法把临时对象转变为持久化对象. session.load()和session.get()方法得到的对象总是处于持久化状态. sess ...

  5. C#Winform常引用的库

    1.DevExpress:引用其下的不同DLL,可操作使用不同的控件 2.IrisSkin2:引用对应的DLL后,代码如下 private Sunisoft.IrisSkin.SkinEngine s ...

  6. 修改ECSHOP系统红包序列号规律

    ECSHOP系统线下发放红包时系统生成的红包序列号是在10000的基础上增加四位随机数字.如果当我们要发放大额度红包的时候,这样的序列号规则难免给人不安全的感觉,万一真的有哪个无聊的人,用一天时间来蒙 ...

  7. 层叠样式表(CSS)

    层叠样式表(CSS) CSS(Cascading Style Sheet)中文译为层叠样式表.是用于控制网页样式并允许将样式信息与网页内容分离的一种标记性语言.CSS的引入就是为了使得HTML语言能够 ...

  8. YTU 3020: 对称矩阵(数组)

    3020: 对称矩阵(数组) 时间限制: 1 Sec  内存限制: 128 MB 提交: 3  解决: 2 题目描述 已知A和B为两个n*n阶的对称矩阵,输入时,对称矩阵只输入下三角行元素,存入一维数 ...

  9. jar的下载地址及其使用说明

    有时候会苦于jar的搜索.这里我就给出我平时用到的吧,方便大家.后期会不断添加. 1.dom4j-1.6.1.jar 主要用于解析xml的jar包.下载地址:   http://pan.baidu.c ...

  10. 字符编码的过滤器Filter(即输入的汉字,能在页面上正常显示,不会出现乱码)

    自定义抽象的 HttpFilter类, 实现自 Filter 接口 package com.lanqiao.javaweb; import java.io.IOException; import ja ...