Question

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。

Answer 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）

pyspark 2.2.0概念背后原始预测领域的逻辑回归模型

1 个答案: