SPARK：如何从 LabeledPoint 为决策树创建 categoricalFeaturesInfo？

Question

我在上有一个 LabeledPoint 我想要运行决策树（以及后来的随机森林）

scala> transformedData.collect
res8: Array[org.apache.spark.mllib.regression.LabeledPoint] = Array((0.0,(400036,[7744],[2.0])), (0.0,(400036,[7744,8608],[3.0,3.0])), (0.0,(400036,[7744],[2.0])), (0.0,(400036,[133,218,2162,7460,7744,9567],[1.0,1.0,2.0,1.0,42.0,21.0])), (0.0,(400036,[133,218,1589,2162,2784,2922,3274,6914,7008,7131,7460,8608,9437,9567,199999,200021,200035,200048,200051,200056,200058,200064,200070,200072,200075,200087,400008,400011],[4.0,1.0,6.0,53.0,6.0,1.0,1.0,2.0,11.0,17.0,48.0,3.0,4.0,113.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,28.0,1.0,1.0,1.0,1.0,1.0,4.0])), (0.0,(400036,[1589,3585,4830,6935,6936,7744,400008,400011],[2.0,6.0,3.0,52.0,4.0,3.0,1.0,2.0])), (0.0,(400036,[1589,2162,2784,2922,4123,7008,7131,7792,8608],[23.0,70.0,1.0,2.0,2.0,1.0,1.0,2.0,2.0])), (0.0,(400036,[4830,6935,6936,400008,400011],[1.0,36.0,...

使用代码：

import org.apache.spark.mllib.tree.DecisionTree
import org.apache.spark.mllib.tree.model.DecisionTreeModel
import org.apache.spark.mllib.util.MLUtils
import org.apache.spark.mllib.tree.impurity.Gini

val numClasses = 2
val categoricalFeaturesInfo = Map[Int, Int]() //change to what?
val impurity = "gini"
val maxDepth = 5
val maxBins = 32

val model = DecisionTree.trainClassifier(
  trainingData, numClasses, categoricalFeaturesInfo, impurity, maxDepth, maxBins)

在我的数据中，我有两种类型的特征：

一些特征是用户访问给定 website/domain 的计数（特征是 website/domain，它的值是访问次数）
其余功能是一些声明性变量 - binary/categorical

有没有办法从 LabeledPoint 自动创建 categoricalFeaturesInfo？我想检查我的声明变量（类型 2）的级别，然后让这些信息创建 categoricalFeaturesInfo.

我有一个包含声明变量的列表：

List(6363,21345,23455,...

Answer 1

categoricalFeaturesInfo 应该从一个索引映射到给定特征的类个数。一般来说，识别分类变量可能很昂贵，尤其是当这些变量与连续变量大量混合时。此外，根据您的数据，它可能会给出假阳性和假阴性。请记住，最好手动设置这些值。

如果您仍想自动创建 categoricalFeaturesInfo，可以查看 ml.feature.VectorIndexer。它不能直接适用于这种情况，但应该提供有用的代码库来构建您自己的解决方案。

SPARK：如何从 LabeledPoint 为决策树创建 categoricalFeaturesInfo？

SPARK: How to create categoricalFeaturesInfo for decision trees from LabeledPoint?

scala

decision-tree

random-forest

apache-spark

apache-spark-mllib