Spark：回归模型阈值和精度答案

【问题标题】：Spark : regression model threshold and precisionSpark：回归模型阈值和精度
【发布时间】：2016-03-16 22:47:41
【问题描述】：

我有逻辑回归模式，我将阈值明确设置为 0.5。

model.setThreshold(0.5)

我训练模型，然后我想获得基本的统计数据——精度、召回率等。

这是我评估模型时所做的：

val metrics = new BinaryClassificationMetrics(predictionAndLabels)

val precision = metrics.precisionByThreshold


precision.foreach { case (t, p) =>

      println(s"Threshold is: $t, Precision is: $p")

    }

我得到的结果只有 0.0 和 1.0 作为阈值，而 0.5 被完全忽略。

这是上述循环的输出：

阈值为：1.0，精度为：0.8571428571428571

阈值为：0.0，精度为：0.3005181347150259

当我调用 metrics.thresholds() 时，它也只返回两个值，0.0 和 1.0。

如何获得阈值为 0.5 的准确率和召回率值？

【问题讨论】：

标签： apache-spark apache-spark-mllib

【解决方案1】：

您需要在进行预测之前清除模型阈值。清除阈值会使您的预测返回分数而不是分类标签。如果没有，您将只有两个阈值，即您的标签 0.0 和 1.0。

model.clearThreshold()

来自 predictionsAndLabels 的元组应该看起来像 (0.6753421,1.0) 而不是 (1.0,1.0)

看看https://github.com/apache/spark/blob/master/examples/src/main/scala/org/apache/spark/examples/mllib/BinaryClassificationMetricsExample.scala

如果输入很大，您可能仍想设置 numBins 来控制点数。

【讨论】：

拜托，我有预测和标签，如 (1.0,1.0) 以及阈值 1,0 的精度和召回值。我无法在管道模型中设置阈值。如何解决这个问题？阈值为：0.0，召回为：1.0 阈值为：1.0，召回为：1.0

【解决方案2】：

我认为发生的情况是所有预测都是 0.0 或 1.0。那么中间阈值没有区别。

考虑BinaryClassificationMetrics 的numBins 参数：

numBins: 如果大于 0，则内部计算的曲线（ROC 曲线、PR 曲线）将被下采样到这么多“箱”。如果为 0，则不会发生下采样。这很有用，因为曲线包含输入中每个不同分数的一个点，这可能与输入本身一样大 - 数百万个点或更多，而数千个点可能完全足以总结曲线。下采样后，曲线将改为由大约 numBins 个点组成。点由相等数量的连续点组成。每个 bin 的大小为 floor(scoreAndLabels.count() / numBins)，这意味着生成的 bin 数量可能不完全等于 numBins。因此，每个分区中的最后一个 bin 可能会更小，这意味着分区边界处可能会有额外的样本。

因此，如果您不设置numBins，则会在所有不同的预测值下计算精度。在您的情况下，这似乎只是 0.0 和 1.0。

【讨论】：

看看predictionAndLabels的内容来证实或反驳这个理论！
我仍然不确定您的评论。 model.setThreshold(0.5) 将在 1 类中得分小于 0.5，在 2 类中得分 > 0.5。我有 2 个类。我不确定 numbins 对此有何帮助。
如果不设置numBins，那么会在所有不同的预测值下计算精度。在您的情况下，这似乎只是 0.0 和 1.0。我已将此添加到答案中。看看predictionAndLabels的内容，看看我说的对不对！
@DanielDarabos 请，我有预测 1 或 0 中的所有值。阈值 1,0 的精度和召回值。我无法在管道模型中设置阈值。如何解决这个问题？阈值为：0.0，召回为：1.0 阈值为：1.0，召回为：1.0。怎么了？
对不起，我不知道。我好久没用过这个了。将其作为一个新问题发布，希望有人能给出有用的答案！祝你好运！

【解决方案3】：

首先，尝试像这样添加更多的 bin（这里 numBins 是 10）：

val metrics = new BinaryClassificationMetrics(probabilitiesAndLabels,10);

如果您仍然只有 0 和 1 这两个阈值，请检查以确保您定义 predictionAndLabels 的方式。如果您不小心提供了(label, prediction) 而不是(prediction, label)，那么很多人都会遇到这个问题。

【讨论】：