【问题标题】:How to access individual predictions in Spark RandomForest?如何访问 Spark RandomForest 中的单个预测?
【发布时间】:2016-06-02 01:47:19
【问题描述】:

我希望使用 pyspark.mllib.tree.RandomForest 模块来获取我的观察的邻近矩阵。

直到现在,我的数据还小到可以直接加载到内存中。因此,我使用 sklearn.ensemble.RandomForestClassifier 通过以下方式获取邻近矩阵:假设 X 是包含特征的矩阵,Y 是包含标签的向量。我训练了随机森林来区分标签为“0”和标签“1”的对象。有了训练有素的随机森林,我想通过计算两个观察有多少决策树具有相同的最终节点(=叶)来衡量我的数据集中每对观察之间的接近度。因此,对于 100 棵决策树,两个观察值之间的邻近度度量的范围可以从 0(从不落在同一个最终叶)和 100(在所有决策树中都落在同一个最终叶)。这个的python实现:

import numpy
from sklearn import ensemble

## data
print X.shape, Y.shape # X is a matrix that holds the 4281 features and contains 8562 observations and Y contains 8562 labels
>> (8562, 4281) (8562,)

## train the tree
n_trees = 100
rand_tree = sklearn.ensemble.RandomForestClassifier(n_estimators=n_tress)
rand_tree.fit(X, Y)

## get proximity matrix
apply_mat = rand_tree.apply(X)
obs_num = len(apply_mat)
sim_mat = numpy.eye(obs_num) * len(apply_mat[0]) # max values that they can be similar at = N estimators

for i in xrange(obs_num):
    for j in xrange(i, obs_num):
        vec_i = apply_mat[i]
        vec_j = apply_mat[j]
        sim_val = len(vec_i[vec_i==vec_j])
        sim_mat[i][j] = sim_val
        sim_mat[j][i] = sim_val

sim_mat_norm = sim_mat / len(apply_mat[0])
print sim_mat_norm.shape
>> (8562, 8562)

现在,我处理的数据太大而无法放入内存,因此我决定改用 Spark。我能够加载数据并对其进行拟合,但我没有找到将随机森林“应用”到数据以获得邻近矩阵的方法。有没有办法得到它? (我使用与 Spark 文档中相同的实现:https://spark.apache.org/docs/1.2.0/mllib-ensembles.html#classification):

from pyspark.mllib.tree import RandomForest
from pyspark.mllib.util import MLUtils

# Load and parse the data file into an RDD of LabeledPoint.
data = MLUtils.loadLibSVMFile(sc, 'data/mllib/sample_libsvm_data.txt')
# Split the data into training and test sets (30% held out for testing)
(trainingData, testData) = data.randomSplit([0.7, 0.3])

model = RandomForest.trainClassifier(trainingData, numClasses=2, categoricalFeaturesInfo={},
                                 numTrees=3, featureSubsetStrategy="auto",
                                 impurity='gini', maxDepth=4, maxBins=32)

我也很高兴听到其他可以解决我问题的想法。 谢谢!

【问题讨论】:

    标签: python apache-spark pyspark apache-spark-mllib random-forest


    【解决方案1】:

    PySpark MLlib 模型不提供直接访问此信息的方法。从理论上讲,您可以尝试直接提取模型并为每棵树单独预测:

    from pyspark.mllib.tree import DecisionTreeMode
    
    numTrees = 3
    trees = [DecisionTreeModel(model._java_model.trees()[i])
        for i in range(numTrees)]
    
    predictions = [t.predict(testData) for t in trees]
    

    但使用 ML 模型可能会更好:

    from pyspark.ml.feature import StringIndexer
    from pyspark.ml.classification import RandomForestClassifier
    
    df = sqlContext.read.format("libsvm").load("data/mllib/sample_libsvm_data.txt")
    
    indexer = StringIndexer(inputCol="label", outputCol="indexed").fit(df)
    df_indexed = indexer.transform(df)
    
    model = RandomForestClassifier(
        numTrees=3, maxDepth=2, labelCol="indexed", seed=42
    ).fit(df_indexed)
    

    并使用rawPredictionprobability 列:

    model.transform(df).select("rawPrediction", "probability").show(5, False)
    
    ## +---------------------------------------+-----------------------------------------+
    ## |rawPrediction                          |probability                              |
    ## +---------------------------------------+-----------------------------------------+
    ## |[0.0,3.0]                              |[0.0,1.0]                                |
    ## |[2.979591836734694,0.02040816326530612]|[0.9931972789115647,0.006802721088435374]|
    ## |[2.979591836734694,0.02040816326530612]|[0.9931972789115647,0.006802721088435374]|
    ## |[2.979591836734694,0.02040816326530612]|[0.9931972789115647,0.006802721088435374]|
    ## |[2.979591836734694,0.02040816326530612]|[0.9931972789115647,0.006802721088435374]|
    ## +---------------------------------------+-----------------------------------------+
    

    注意:如果您认为您的数据需要 Spark,那么构建全距离/相似度矩阵不太可能是一个好主意。只是说说而已。

    【讨论】:

    • 感谢您的帮助。您是否因为我的数据量大而认为这不是一个好主意?我实际上需要从我的约 30M 对象中找到约 1% 的最近对象对(因此我想计算邻近矩阵)。这些对象有很多特征(4000),因此我决定使用 RF + 距离矩阵而不是使用 KDE 或其他算法,因为它的自然并行化。重新考虑您的第一个建议 - 我还能在 Spark 框架中并行化预测向量吗?
    • t.predict(testData) 已分发,但您不能分发外循环(即理解)。这意味着您需要numTrees 工作。
    • 关于完全相似矩阵,它的大小正好是大小。不过,您可以尝试应用一些近似值并仅比较最佳候选者。
    • 有例如github.com/soundcloud/cosine-lsh-join-spark,但它没有Python API。
    • 我会对此进行调查,并将其结果与我目前得到的结果进行比较。谢谢! :)
    猜你喜欢
    • 2016-12-07
    • 1970-01-01
    • 2015-11-13
    • 2018-05-11
    • 2018-09-15
    • 2015-07-24
    • 2022-06-28
    • 2014-11-29
    • 2016-11-23
    相关资源
    最近更新 更多