spark随机森林的实现中用到了蓄水池抽样,主要是用在特征集抽样中,本文对蓄水池抽样的原理和spark源码进行简单分析。
1. 蓄水池抽样
形象的说,所谓蓄水池抽样就像是在向池中加水的过程中进行抽样,类比于对数据流进行抽样。前提是我们知道要抽取的样本量,但是很难知道样本空间的规模,比如流式数据,或者样本空间较大,遍历一遍代价较高,因此无法计算其抽取概率或比例,不能用常规的方法抽取数据。蓄水池抽样能在o(n)的复杂度对数据进行等概率抽样,其伪代码描述如下
sample size: k
for i = 0 to N
if i < k
choose ith value
else
M = random(0,i)
if M < k
swap Mth value and ith value