将分类测试数据加载到 Apache Spark 中的稀疏向量中

Question

我在 Spark MLlib 中有一个分类模型，它是使用训练数据构建的。现在我想用它来预测未标记的数据。

我有 LIBSVM 格式的特征（没有标签）。这是我的未标记数据的示例

1:1  18:1
4:1  32:1
2:1  8:1  33:1
1:1  6:1  11:1
1:1  2:1  8:1  28:1

我将这些功能保存在 HDFS 上的文本文件中。如何将它们加载到 RDD[Vector] 中，以便将它们传递给 model.predict()?

我使用 Scala 进行编码。

谢谢。

Answer 1

这里有一个解决方案，考虑到索引是基于一个的并且是升序的。

让我们创建一些类似于文本文件中的虚拟数据。

val data = sc.parallelize(Seq("1:1  18:1", "4:1  32:1", "2:1  8:1  33:1", "1:1  6:1  11:1", "1:1  2:1  8:1  28:1"))

我们现在可以将数据转换成一对 RDD 索引和值。

val parsed = data.map(_.trim).map { line =>
  val items = line.split(' ')
  val (indices, values) = items.filter(_.nonEmpty).map { item =>
    val indexAndValue = item.split(':')
    val index = indexAndValue(0).toInt - 1 // Convert 1-based indices to 0-based.
  val value = indexAndValue(1).toDouble
    (index, value)
  }.unzip

  (indices.toArray, values.toArray)
}

获取特征数量

val numFeatures = parsed.map { case (indices, values) => indices.lastOption.getOrElse(0) }.reduce(math.max) + 1

最后创建向量

val vectors = parsed.map { case (indices, values) => Vectors.sparse(numFeatures, indices, values) }

vectors.take(10) foreach println
// (33,[0,17],[1.0,1.0])
// (33,[3,31],[1.0,1.0])
// (33,[1,7,32],[1.0,1.0,1.0])
// (33,[0,5,10],[1.0,1.0,1.0])
// (33,[0,1,7,27],[1.0,1.0,1.0,1.0])

将分类测试数据加载到 Apache Spark 中的稀疏向量中

Load classification test data into sparse vector in Apache Spark

scala

libsvm

apache-spark

apache-spark-mllib