如何在 sparklyr 中训练 ML 模型并预测另一个数据帧上的新值？

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

这里有一个经典的朴素贝叶斯示例，其中class 标识属于China 类别的文档。

通过执行以下操作，我可以在 sparklyr 中运行朴素贝叶斯分类器：

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))

哪个输出：

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：

1. 如何在样本中评估此分类器的性能？准确度指标在哪里？

2. 更重要的是，我如何使用这个经过训练的模型来预测新值，例如，在以下 spark 测试数据帧中？

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

如何在样本中评估此分类器的性能？准确度指标在哪里？

一般来说（有些模型提供某种形式的总结），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。

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。

  您可以使用Transformer 和ml_transform 方法来transform。

• Estimators - 提供fit 方法的对象，将DataFrame 映射到Transfomer。按照约定，对应的 Estimator / Transformer 对称为 Foo / FooModel。

  您可以使用ml_fit 模型在sparklyr 中fit Estimator。

此外，ML Pipelines 可以与Evaluators（参见ml_*_evaluator 和ml_*_eval 方法）结合使用，可用于根据模型生成的列（通常是概率列或原始列）计算转换后数据的不同指标预测）。

您可以使用ml_evaluate 方法申请Evaluator。

相关组件是否包括交叉验证器和训练验证拆分，可用于参数调整。

示例：

sparklyr PipelineStages 可以通过直接传递数据或通过传递spark_connection 实例并调用上述方法（ml_fit、ml_transform 等）来急切地评估（如在您自己的代码中）。 )。

这意味着你可以定义一个Pipeline如下：

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")
)

适合PipelineModel：

model <- ml_fit(pipeline, dtrain_spark)

转换并应用可用的Evaluators之一：

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

[1] 1

或

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

ml_evaluate(evaluator, ml_transform(model, dtrain_spark))

[1] 1

更重要的是，我如何使用这个经过训练的模型来预测新值，例如，在以下 spark 测试数据帧中？

使用ml_transform 或ml_predict（后者是一个令人信服的包装器，它对输出应用进一步的转换）：

ml_transform(model, dtest_spark)

# 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

交叉验证：

示例中数据不足，但你交叉验证和拟合超参数如下所示：

# dontrun
ml_cross_validator(
  dtrain_spark,
  pipeline, 
  list(nb=list(smoothing=list(0.8, 1.0))),  # Note that name matches UID
  evaluator=evaluator)

注意事项：

• 请记住，Spark 的多项朴素贝叶斯实现 considers only binary feature (0 or not 0)。

• 如果您将Pipelines 与Vector 列一起使用（不是基于formula 的调用），我强烈建议您使用标准化（默认）列名：

  • label 用于因变量。
  • features 用于组装的自变量。
  • rawPrediction、prediction、probability 分别用于原始预测、预测和概率列。