Sparklyr处理分类变量

Question

Sparklyr处理分类变量

我来自R背景，我习惯于在后端处理分类变量（作为因子）。使用Sparklyr，使用string_indexer或onehotencoder会让人感到困惑。

例如，我有许多变量在原始数据集中被编码为数值变量但它们实际上是分类的。我想将它们用作分类变量，但我不确定我是否正确使用它们。

library(sparklyr)
library(dplyr)
sessionInfo()
sc <- spark_connect(master = "local", version = spark_version)
spark_version(sc)
set.seed(1)    
exampleDF <- data.frame (ID = 1:10, Resp = sample(c(100:205), 10, replace = TRUE), 
                     Numb = sample(1:10, 10))

example <- copy_to(sc, exampleDF) 
pred <- example %>% mutate(Resp = as.character(Resp)) %>%
                sdf_mutate(Resp_cat = ft_string_indexer(Resp)) %>%
                ml_decision_tree(response = "Resp_cat", features = "Numb") %>%
                sdf_predict()
pred

模型的预测并不是绝对的。见下文。这是否意味着我还必须从预测转换回Resp_cat然后转换为Resp？

R version 3.4.0 (2017-04-21)
Platform: x86_64-redhat-linux-gnu (64-bit)
Running under: CentOS Linux 7 (Core)

spark_version(sc)
[1] ‘2.1.1.2.6.1.0’

Source:   table<sparklyr_tmp_74e340c5607c> [?? x 6]
Database: spark_connection
      ID  Numb  Resp Resp_cat id74e35c6b2dbb prediction
     <int> <int> <chr>    <dbl>          <dbl>      <dbl>
 1     1    10   150        8              0   8.000000
 2     2     3   191        4              1   4.000000
 3     3     4   146        9              2   9.000000
 4     4     9   125        5              3   5.000000
 5     5     8   107        2              4   2.000000
 6     6     2   110        1              5   1.000000
 7     7     5   133        3              6   5.333333
 8     8     7   154        6              7   5.333333
 9     9     1   170        0              8   0.000000
10    10     6   143        7              9   5.333333

Answer 1

通常，Spark在处理分类数据时依赖于列元数据。在您的管道中，这由StringIndexer（ft_string_indexer）处理。 ML总是预测标签，而不是原始字符串。通常，您将使用由IndexToString提供的ft_index_to_string转换器。

在Spark IndexToString中可以使用a provided list of labels或Column元数据。不幸的是，sparklyr实施在两个方面受到限制：

It can use only metadata，未在预测列上设置。
ft_string_indexer会丢弃经过训练的模型，因此无法用于提取标签。

我可能错过了一些内容，但看起来您必须手动映射预测，例如joining与转换后的数据：

pred %>% 
  select(prediction=Resp_cat, Resp_prediction=Resp) %>% 
  distinct() %>% 
  right_join(pred)

Joining, by = "prediction"
# Source:   lazy query [?? x 9]
# Database: spark_connection
   prediction Resp_prediction    ID  Numb  Resp Resp_cat id777a79821e1e
        <dbl>           <chr> <int> <int> <chr>    <dbl>          <dbl>
 1          7             171     1     3   171        7              0
 2          0             153     2    10   153        0              1
 3          3             132     3     8   132        3              2
 4          5             122     4     7   122        5              3
 5          6             198     5     4   198        6              4
 6          2             164     6     9   164        2              5
 7          4             137     7     6   137        4              6
 8          1             184     8     5   184        1              7
 9          0             153     9     1   153        0              8
10          1             184    10     2   184        1              9
# ... with more rows, and 2 more variables: rawPrediction <list>,
#   probability <list>

<强>解释：

pred %>% 
  select(prediction=Resp_cat, Resp_prediction=Resp) %>% 
  distinct()

创建从预测（编码标签）到原始标签的映射。我们将Resp_cat重命名为prediction，以便将其作为加入密钥，Resp重命名为Resp_prediction，以避免与实际Resp发生冲突。

最后我们申请了正确的equijoin：

... %>%  right_join(pred)

注意：

您应该指定树的类型：

ml_decision_tree( response = "Resp_cat", features = "Numb",type = "classification")

Sparklyr处理分类变量

Sparklyr处理分类变量

1 个答案: