Spark ML Pipeline Logistic 回归产生比 R GLM 更糟糕的预测

Question

我使用 ML PipeLine 运行逻辑回归模型，但由于某些原因，我得到的结果比 R 更差。我进行了一些研究，发现与此问题相关的唯一帖子是 this。似乎Spark Logistic Regression returns models that minimize loss function 而 R glm 函数使用最大似然。 Spark 模型只得到了 71.3% 的正确记录，而 R 可以正确预测 95.55% 的案例。我想知道我是否在设置上做错了什么，是否有办法改进预测。下面是我的 Spark 代码和 R 代码-

火花代码

partial model_input  
label,AGE,GENDER,Q1,Q2,Q3,Q4,Q5,DET_AGE_SQ  
1.0,39,0,0,1,0,0,1,31.55709342560551  
1.0,54,0,0,0,0,0,0,83.38062283737028  
0.0,51,0,1,1,1,0,0,35.61591695501733



def trainModel(df: DataFrame): PipelineModel = {  
  val lr  = new LogisticRegression().setMaxIter(100000).setTol(0.0000000000000001)  
  val pipeline = new Pipeline().setStages(Array(lr))  
  pipeline.fit(df)  
}

val meta =  NominalAttribute.defaultAttr.withName("label").withValues(Array("a", "b")).toMetadata

val assembler = new VectorAssembler().
  setInputCols(Array("AGE","GENDER","DET_AGE_SQ",
 "QA1","QA2","QA3","QA4","QA5")).
  setOutputCol("features")

val model = trainModel(model_input)
val pred= model.transform(model_input)  
pred.filter("label!=prediction").count

R 代码

lr <- model_input %>% glm(data=., formula=label~ AGE+GENDER+Q1+Q2+Q3+Q4+Q5+DET_AGE_SQ,
          family=binomial)
pred <- data.frame(y=model_input$label,p=fitted(lr))
table(pred $y, pred $p>0.5)

如果您需要任何其他信息，请随时告诉我。谢谢！

编辑 9/18/2015 我已尝试增加最大迭代次数并显着降低容差。不幸的是，它并没有改善预测。该模型似乎收敛到局部最小值而不是全局最小值。

Answer 1

Spark Logistic Regression 似乎返回最小化损失函数的模型，而 R glm 函数使用最大似然。

损失函数的最小化几乎是线性模型的定义，glm 和 ml.classification.LogisticRegression 在这里没有什么不同。这两者之间的根本区别在于实现方式。

来自 ML/MLlib 的所有线性模型都基于 Gradient descent 的一些变体。使用这种方法生成的模型的质量因具体情况而异，并且取决于梯度下降和正则化参数。

另一方面，R 计算一个精确的解决方案，考虑到它的时间复杂度，它不太适合大型数据集。

正如我上面提到的，使用 GS 生成的模型的质量取决于输入参数，因此改进它的典型方法是执行超参数优化。不幸的是，与 MLlib 相比，这里的 ML 版本相当有限，但对于初学者来说，您可以增加迭代次数。