Question

考虑以下示例

dtrain <- data_frame(text = c("Chinese Beijing Chinese",
                              "Chinese Chinese Shanghai",
                              "Chinese Macao",
                              "Tokyo Japan Chinese"),
                     doc_id = 1:4,
                     class = c(1, 1, 1, 0))

dtrain_spark <- copy_to(sc, dtrain, overwrite = TRUE)

> dtrain_spark
# Source:   table<dtrain> [?? x 3]
# Database: spark_connection
  text                     doc_id class
  <chr>                     <int> <dbl>
1 Chinese Beijing Chinese       1     1
2 Chinese Chinese Shanghai      2     1
3 Chinese Macao                 3     1
4 Tokyo Japan Chinese           4     0

这里我有一个经典的Naive Bayes示例，其中class标识了属于China类别的文档。

我可以通过执行以下操作在sparklyr中运行Naives Bayes分类器：

dtrain_spark %>% 
ft_tokenizer(input.col = "text", output.col = "tokens") %>% 
ft_count_vectorizer(input_col = 'tokens', output_col = 'myvocab') %>% 
  select(myvocab, class) %>%  
  ml_naive_bayes( label_col = "class", 
                  features_col = "myvocab", 
                  prediction_col = "pcol",
                  probability_col = "prcol", 
                  raw_prediction_col = "rpcol",
                  model_type = "multinomial", 
                  smoothing = 0.6, 
                  thresholds = c(0.2, 0.4))

输出：

NaiveBayesModel (Transformer)
<naive_bayes_5e946aec597e> 
 (Parameters -- Column Names)
  features_col: myvocab
  label_col: class
  prediction_col: pcol
  probability_col: prcol
  raw_prediction_col: rpcol
 (Transformer Info)
  num_classes:  int 2 
  num_features:  int 6 
  pi:  num [1:2] -1.179 -0.368 
  theta:  num [1:2, 1:6] -1.417 -0.728 -2.398 -1.981 -2.398 ... 
  thresholds:  num [1:2] 0.2 0.4

但是，我有两个主要问题：

如何在样本中评估此分类器的性能？准确度指标在哪里？
更重要的是，如何使用此训练模型预测新值，例如，在以下spark测试数据框中？

测试数据：

dtest <- data_frame(text = c("Chinese Chinese Chinese Tokyo Japan",
                             "random stuff"))

dtest_spark <- copy_to(sc, dtest, overwrite = TRUE)

> dtest_spark
# Source:   table<dtest> [?? x 1]
# Database: spark_connection
  text                               
  <chr>                              
1 Chinese Chinese Chinese Tokyo Japan
2 random stuff

谢谢！

Answer 1

如何评估样本中此分类器的性能？准确度指标在哪里？

一般而言（有些模型提供某种形式的摘要），对训练数据集的评估是Apache Spark中的一个单独步骤。这非常适合原生Pipeline API。

<强>背景：

Spark ML Pipelines主要由两种类型的对象构建：

Transformers - 提供transform方法的对象，将DataFrame映射到更新的DataFrame。

您可transform Transformer使用ml_transform方法。
Estimators - 提供fit方法的对象，将DataFrame映射到Transfomer。按照惯例，相应的Estimator / Transformer对称为Foo / FooModel。

您可以fit使用Estimator模型sparklyr ml_fit。

此外，ML管道可以与Evaluators（请参阅ml_*_evaluator和ml_*_eval方法）结合使用，这些方法可用于根据模型生成的列计算转换数据的不同指标（通常是概率列或原始预测）。

您可以使用Evaluator方法应用ml_evaluate。

相关组件是否包括交叉验证器和列车验证拆分，可用于参数调整。

<强>实施例：

sparklyr PipelineStages可以通过直接传递数据，或者通过传递spark_connection实例并调用上述方法（{{1}）来急切地评估（如在您自己的代码中） }，ml_fit等。）。

这意味着您可以按如下方式定义ml_transform：

Pipeline

适合pipeline <- ml_pipeline( ft_tokenizer(sc, input.col = "text", output.col = "tokens"), ft_count_vectorizer(sc, input_col = 'tokens', output_col = 'myvocab'), ml_naive_bayes(sc, label_col = "class", features_col = "myvocab", prediction_col = "pcol", probability_col = "prcol", raw_prediction_col = "rpcol", model_type = "multinomial", smoothing = 0.6, thresholds = c(0.2, 0.4), uid = "nb") )：

PipelineModel

转换并应用可用的model <- ml_fit(pipeline, dtrain_spark)之一：

Evaluators

ml_transform(model, dtrain_spark) %>% 
  ml_binary_classification_evaluator(
    label_col="class", raw_prediction_col= "rpcol", 
    metric_name = "areaUnderROC")

或

[1] 1

evaluator <- ml_multiclass_classification_evaluator(
    sc,
    label_col="class", prediction_col= "pcol", 
    metric_name = "f1")

ml_evaluate(evaluator, ml_transform(model, dtrain_spark))

更重要的是，如何使用此训练模型预测新值，例如，在以下火花测试数据框中？

使用[1] 1或ml_transform（后者是一个包装器，它会在输出上应用进一步的转换）：

ml_predict

ml_transform(model, dtest_spark)

交叉验证：

示例中没有足够的数据，但是你交叉验证并适合超参数，如下所示：

# Source:   table<sparklyr_tmp_cc651477ec7> [?? x 6]
# Database: spark_connection
  text                                tokens     myvocab   rpcol   prcol   pcol
  <chr>                               <list>     <list>    <list>  <list> <dbl>
1 Chinese Chinese Chinese Tokyo Japan <list [5]> <dbl [6]> <dbl [… <dbl …     0
2 random stuff                        <list [2]> <dbl [6]> <dbl [… <dbl …     1

备注：

请记住，Spark的多项Naive Bayes实施considers only binary feature (0 or not 0)。

如果您使用# dontrun ml_cross_validator( dtrain_spark, pipeline, list(nb=list(smoothing=list(0.8, 1.0))), # Note that name matches UID evaluator=evaluator)列Pipelines列（而不是基于Vector的话），我强烈建议您使用标准化（默认）列名：

formula用于因变量。

label用于汇编的自变量。

features，rawPrediction，prediction分别用于原始预测，预测和概率列。

如何在sparklyr中训练ML模型并在另一个数据帧上预测新值？

1 个答案: