我试图理解Pyspark中逻辑回归模型产生的输出概念。
有人可以解释从逻辑回归模型生成的rawPrediction
字段计算背后的概念吗?
感谢。
答案 0 :(得分:1)
在旧版本的Spark javadocs(例如1.5.x)中,曾经有以下解释:
“原始”预测的含义可能因算法而异,但它直观地给出了每个可能标签的置信度(更大=更自信)。
在以后的版本中不存在,但您仍然可以在Scala source code中找到它。
无论如何,除了任何不幸的措辞外,Spark ML中的rawPrecictions
对于逻辑回归情况,是世界其他地方所谓的logits,即逻辑回归分类器的原始输出,随后使用logistic function exp(x)/(1+exp(x))
转换为概率分数。
以下是玩具数据的示例:
spark.version
# u'2.2.0'
from pyspark.ml.classification import LogisticRegression
from pyspark.ml.linalg import Vectors
from pyspark.sql import Row
df = sqlContext.createDataFrame([
(0.0, Vectors.dense(0.0, 1.0)),
(1.0, Vectors.dense(1.0, 0.0))],
["label", "features"])
df.show()
# +-----+---------+
# |label| features|
# +-----+---------+
# | 0.0|[0.0,1.0]|
# | 1.0|[1.0,0.0]|
# +-----+---------+
lr = LogisticRegression(maxIter=5, regParam=0.01, labelCol="label")
lr_model = lr.fit(df)
test = sc.parallelize([Row(features=Vectors.dense(0.2, 0.5)),
Row(features=Vectors.dense(0.5, 0.2))]).toDF()
lr_result = lr_model.transform(test)
lr_result.show(truncate=False)
结果如下:
+---------+----------------------------------------+----------------------------------------+----------+
|features | rawPrediction | probability |prediction|
+---------+----------------------------------------+----------------------------------------+----------+
|[0.2,0.5]|[0.9894187891647654,-0.9894187891647654]|[0.7289731070426124,0.27102689295738763]| 0.0 |
|[0.5,0.2]|[-0.9894187891647683,0.9894187891647683]|[0.2710268929573871,0.728973107042613] | 1.0 |
+---------+----------------------------------------+----------------------------------------+----------+
现在让我们确认rawPrediction
的逻辑函数给出了probability
列:
import numpy as np
x1 = np.array([0.9894187891647654,-0.9894187891647654])
np.exp(x1)/(1+np.exp(x1))
# array([ 0.72897311, 0.27102689])
x2 = np.array([-0.9894187891647683,0.9894187891647683])
np.exp(x2)/(1+np.exp(x2))
# array([ 0.27102689, 0.72897311])
即。确实如此
因此,总结一下所有三(3)个输出列:
rawPrediction
是逻辑回归分类器的原始输出(长度等于类数的数组)probability
是将逻辑函数应用于rawPrediction
的结果(长度等于rawPrediction
的数组)prediction
是数组probability
取其最大值的参数,它提供最可能的标签(单个数字)