PySpark MLlib:逻辑回归模型训练过程(训练、评估、编解码、保存、读取)


没有做训练测试集划分,直接全量训练,全量测试

一、引入 Spark 环境

from pyspark.sql import SparkSession
spark = SparkSession.builder.master("local[*]").getOrCreate()

二、设置模型评估方法

# 评估
from pyspark.ml.evaluation import MulticlassClassificationEvaluator
def check(train_eval):
    f1_score = MulticlassClassificationEvaluator(predictionCol='prediction', labelCol='Type_idx', metricName='f1').evaluate(train_eval)
    acc_score = MulticlassClassificationEvaluator(predictionCol='prediction', labelCol='Type_idx', metricName='accuracy').evaluate(train_eval)
    loss = MulticlassClassificationEvaluator(predictionCol='prediction', labelCol='Type_idx', metricName='logLoss').evaluate(train_eval)
    precision = MulticlassClassificationEvaluator(predictionCol='prediction', labelCol='Type_idx', metricName='weightedPrecision').evaluate(train_eval)
    recall = MulticlassClassificationEvaluator(predictionCol='prediction', labelCol='Type_idx', metricName='weightedRecall').evaluate(train_eval)
    return pd.DataFrame({
        'F1': [f1_score],
        'Recall': [recall],
        'Precision': [precision],
        'Accuracy': [acc_score],
        'Loss': [loss],
    })

三、读取/修改 数据

# 用 pandas 读取数据并修改异常列名,挑选训练列
import pandas as pd
df = spark.createDataFrame(pd.read_excel('data.xlsx', sheet_name='training dataset'))
# '.' 在后面会报错,这里直接换掉
df = df.withColumnRenamed('DBE.C', 'DBEC').withColumnRenamed('DBE.O', 'DBEO')
# 选择使用到的列
train_df = df.select(['C', 'H', 'O', 'N', 'S', 'group', 'AImod', 'DBE', 'MZ', 'OC', 'HC', 'SC', 'NC', 'NOSC', 'DBEC', 'DBEO', 'location', 'sample', 'Type'])
train_df

在这里插入图片描述

四、编码、合并列

# 编码、合并列
from pyspark.ml.feature import StringIndexer
from pyspark.ml.feature import IndexToString
from pyspark.ml import PipelineModel
from pyspark.ml.feature import VectorAssembler
# 将 string、负数 列换成数字
indexer = StringIndexer(inputCols = ['group', 'NOSC', 'location', 'sample', 'Type'], outputCols = ['group_idx', 'NOSC_idx', 'location_idx', 'sample_idx', 'Type_idx'])
encoder = indexer.fit(train_df)
decoder = IndexToString(inputCol = 'prediction', outputCol = 'result', labels = encoder.labelsArray[4])
# 将这些列合并成一列
assembler = VectorAssembler(inputCols = ['C', 'H', 'O', 'N', 'S', 'group_idx', 'AImod', 'DBE', 'MZ',
                                         'OC', 'HC', 'SC', 'NC', 'NOSC_idx', 'DBEC', 'DBEO', 'location_idx', 'sample_idx']
                            , outputCol = 'features')
train_data = assembler.transform(encoder.transform(train_df)).select('features', 'Type_idx')

五、模型训练

逻辑回归

  • 啥也没调,指标难看
from pyspark.ml.classification import LogisticRegression
lr = LogisticRegression(featuresCol = 'features', labelCol = 'Type_idx')
model = lr.fit(train_data)
# 指标检测
check(model.transform(assembler.transform(encoder.transform(train_df))))

在这里插入图片描述

朴素贝叶斯

  • 这个指标更看不了,懒得调了
from pyspark.ml.classification import NaiveBayes
nb = NaiveBayes(featuresCol = 'features', labelCol = 'Type_idx')
model = nb.fit(train_data)
# 指标检测
check(model.transform(assembler.transform(encoder.transform(train_df))))

在这里插入图片描述

六、模型保存

  • Pipeline 会按照列表的顺序一个一个执行 transform,上一个结果传给下一个
# 流水线保存
pipeline = PipelineModel(stages = [encoder, assembler, model, decoder])
pipeline.write().overwrite().save('./output/model')

七、读取模型测试数据

# 读取模型测试数据
import pandas as pd
df = spark.createDataFrame(pd.read_excel('data.xlsx', sheet_name='validation dataset'))
df = df.withColumnRenamed('DBE.C', 'DBEC').withColumnRenamed('DBE.O', 'DBEO')
test_df = df.select(['C', 'H', 'O', 'N', 'S', 'group', 'AImod', 'DBE', 'MZ', 'OC', 'HC', 'SC', 'NC', 'NOSC', 'DBEC', 'DBEO', 'location', 'sample'])

from pyspark.ml import PipelineModel
model = PipelineModel.load('./output/model')
test_res = model.transform(test_df)
test_res

在这里插入图片描述

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值