【pyspark学习从入门到精通22】机器学习库

训练-验证分割

TrainValidationSplit 模型为了选择最佳模型，会对输入数据集（训练数据集）进行随机分割，分成两个子集：较小的训练子集和验证子集。分割只执行一次。

在这个例子中，我们还将使用 ChiSqSelector 仅选择前五个特征，从而限制了我们模型的复杂性：

selector = ft.ChiSqSelector(numTopFeatures=5, featuresCol=featuresCreator.getOutputCol(), outputCol='selectedFeatures',labelCol='INFANT_ALIVE_AT_REPORT'
)

numTopFeatures 指定要返回的特征数量。我们将选择器放在 featuresCreator 之后，所以我们调用 featuresCreator 上的 .getOutputCol()。

我们之前已经介绍了如何创建 LogisticRegression 和 Pipeline，所以这里不再解释这些是如何创建的：

logistic = cl.LogisticRegression(labelCol='INFANT_ALIVE_AT_REPORT',featuresCol='selectedFeatures'
)
pipeline = Pipeline(stages=[encoder, featuresCreator, selector])
data_transformer = pipeline.fit(births_train)

TrainValidationSplit 对象的创建方式与 CrossValidator 模型相同：

tvs = tune.TrainValidationSplit(estimator=logistic, estimatorParamMaps=grid, evaluator=evaluator
)

和以前一样，我们将数据拟合到模型中，并计算结果：

tvsModel = tvs.fit(data_transformer \.transform(births_train)
)
data_train = data_transformer \.transform(births_test)
results = tvsModel.transform(data_train)
print(evaluator.evaluate(results, {evaluator.metricName: 'areaUnderROC'}))
print(evaluator.evaluate(results, {evaluator.metricName: 'areaUnderPR'}))

前面的代码输出了以下结果：

嗯，具有较少特征的模型肯定比完整模型表现得差，但差异并不是很大。最终，这是在更复杂的模型和不太复杂的模型之间的性能权衡。

PySpark ML 其他功能的实际应用

我们描述了 PySpark ML 库的大部分功能。在这一部分，我们将提供如何使用其中一些转换器和估计器的示例。

特征提取

我们已经使用了很多这个 PySpark 子模块的模型。在这一部分，我们将展示如何使用我们认为最有用的一些模型。

自然语言处理相关的特征提取器

正如前面所描述的，NGram 模型接受一个标记文本列表，并产生单词对（或 n-gram）。

在这个例子中，我们将引用 PySpark 文档的一部分，并展示如何在将文本传递给 NGram 模型之前进行清理。以下是我们数据集的样子（为了简洁起见，进行了缩写）：

text_data = spark.createDataFrame([['''Machine learning can be applied to a wide variety of data types, such as vectors, text, images, and structured data. This API adopts the DataFrame from Spark SQL in order to support a variety of datatypes.'''],(...)['''Columns in a DataFrame are named. The code examples below use names such as "text," "features," and "label."''']
], ['input'])

我们单列 DataFrame 中的每一行只是一堆文本。首先，我们需要对这些文本进行标记。为此，我们将使用 RegexTokenizer 而不是 Tokenizer，因为我们可以指定我们希望文本在何处分割的模式：

tokenizer = ft.RegexTokenizer(inputCol='input', outputCol='input_arr', pattern='\s+|[,.\"]')

这里的模式根据任意数量的空格分割文本，同时去除逗号、句点、反斜杠和引号。标记器的输出的一行看起来像这样：

如你所见，RegexTokenizer 不仅将句子分割成单词，还将文本规范化，使每个单词都是小写。

然而，我们的文本中仍然有很多垃圾：像 be、a 或 to 这样的词在分析文本时通常不会提供任何有用的信息。因此，我们将使用 StopWordsRemover(...) 移除这些所谓的停用词：

stopwords = ft.StopWordsRemover(inputCol=tokenizer.getOutputCol(), outputCol='input_stop')

该方法的输出如下：

现在我们只有有用的单词。那么，让我们构建我们的 NGram 模型和 Pipeline：

ngram = ft.NGram(n=2, inputCol=stopwords.getOutputCol(), outputCol="nGrams")
pipeline = Pipeline(stages=[tokenizer, stopwords, ngram])

现在我们已经有了管道，我们按照之前非常相似的方式进行：

data_ngram = pipeline \.fit(text_data) \.transform(text_data)
data_ngram.select('nGrams').take(1)

前面的代码产生了以下输出：

就是这样。我们已经得到了我们的 n-gram，现在我们可以在进一步的 NLP 处理中使用它们。