Question

我尝试在没有StringIndexer的Pipeline中使用Spark ML DecisionTreeClassifier，因为我的功能已被索引为（0.0; 1.0）。 DecisionTreeClassifier作为标签需要双值，因此该代码应该起作用：

def trainDecisionTreeModel(training: RDD[LabeledPoint], sqlc: SQLContext): Unit = {
  import sqlc.implicits._
  val trainingDF = training.toDF()
  //format of this dataframe: [label: double, features: vector]

  val featureIndexer = new VectorIndexer()
    .setInputCol("features")
    .setOutputCol("indexedFeatures")
    .setMaxCategories(4)
    .fit(trainingDF)

  val dt = new DecisionTreeClassifier()
    .setLabelCol("label")
    .setFeaturesCol("indexedFeatures")


  val pipeline = new Pipeline()
    .setStages(Array(featureIndexer, dt))
  pipeline.fit(trainingDF)
}

但实际上我得到了

java.lang.IllegalArgumentException:
DecisionTreeClassifier was given input with invalid label column label,
without the number of classes specified. See StringIndexer.

当然我可以放入StringIndexer并让它为我的双“标签”字段工作，但是我想使用DecisionTreeClassifier的输出rawPrediction列来获得每行0.0和1.0的概率，如... < / p>

val predictions = model.transform(singletonDF) 
val zeroProbability = predictions.select("rawPrediction").asInstanceOf[Vector](0)
val oneProbability = predictions.select("rawPrediction").asInstanceOf[Vector](1)

如果我将StringIndexer放在Pipeline中 - 我不会在rawPrediction向量中知道输入标签“0.0”和“1.0”的索引，因为String indexer将按值的频率进行索引，这可能会有所不同。

请帮助为DecisionTreeClassifier准备数据而不使用StringIndexer，或建议另一种方法来获取每行的原始标签（0.0; 1.0）的概率。

Answer 1

您始终可以手动设置所需的元数据：

import sqlContext.implicits._
import org.apache.spark.ml.attribute.NominalAttribute

val meta = NominalAttribute
  .defaultAttr
  .withName("label")
  .withValues("0.0", "1.0")
  .toMetadata

val dfWithMeta = df.withColumn("label", $"label".as("label", meta))
pipeline.fit(dfWithMeta)

如何在没有StringIndexer的Spark ML中进行二进制分类

1 个答案: