我可以使用带有稀疏向量的数据帧来进行交叉验证调整吗？

Question

我正在训练我的多层感知器分类器。这是我的训练 set.The 特征采用稀疏向量格式。

df_train.show(10,False)
+------+---------------------------+
|target|features                   |
+------+---------------------------+
|1.0   |(5,[0,1],[164.0,520.0])    |
|1.0   |[519.0,2723.0,0.0,3.0,4.0] |
|1.0   |(5,[0,1],[2868.0,928.0])   |
|0.0   |(5,[0,1],[57.0,2715.0])    |
|1.0   |[1241.0,2104.0,0.0,0.0,2.0]|
|1.0   |[3365.0,217.0,0.0,0.0,2.0] |
|1.0   |[60.0,1528.0,4.0,8.0,7.0]  |
|1.0   |[396.0,3810.0,0.0,0.0,2.0] |
|1.0   |(5,[0,1],[905.0,2476.0])   |
|1.0   |(5,[0,1],[905.0,1246.0])   |
+------+---------------------------+

首先，我想在保留方法上评估我的估算器，这是我的代码：

from pyspark.ml.classification import MultilayerPerceptronClassifier
from pyspark.ml.evaluation import MulticlassClassificationEvaluator

layers = [4, 5, 4, 3]
trainer = MultilayerPerceptronClassifier(maxIter=100, layers=layers, blockSize=128, seed=1234)
param = trainer.setParams(featuresCol = "features",labelCol="target")

train,test = df_train.randomSplit([0.8, 0.2])
model = trainer.fit(train)
result = model.transform(test)
evaluator = MulticlassClassificationEvaluator(
    labelCol="target", predictionCol="prediction", metricName="accuracy")
print("Test set accuracy = " + str(evaluator.evaluate(result)))

但结果是错误：无法执行用户定义的函数($anonfun$1: (vector) => double)。这是因为我的向量中有稀疏向量吗功能？我能做什么？

对于交叉验证部分，我编码如下：

X=df_train.select("features").collect()
y=df_train.select("target").collect()
from sklearn.model_selection import cross_val_score,KFold
k_fold = KFold(n_splits=10, random_state=None, shuffle=False)
print(cross_val_score(trainer, X, y, cv=k_fold, n_jobs=1,scoring="accuracy"))

我得到：它似乎不是一个 scikit-learn 估计器，因为它没有实现 'get_params' 方法。 但是当我查找文档时，我没有找到 get_params method.Can 有人帮助我吗？

Answer 1

你的问题有很多问题...

关注第二部分（实际上是一个单独的问题），错误消息声明，即

it does not seem to be a scikit-learn estimator

确实是正确的，因为您在 scikit-learn 方法 cross_val_score 中将 PySpark ML 中的 MultilayerPerceptronClassifier 用作 trainer （它们是 而不是 兼容）。

此外，您的第二个代码片段根本不像 PySpark，而是类似于 scikit-learn：当您正确使用第一个代码片段中的输入时（single 2 -column dataframe，一列中有特征，另一列中有 labels/targets），你似乎忘记了第二个片段中的这一课，在那里你构建了单独的数据框 X 和 y用于分类器的输入（在 scikit-learn 中应该是这种情况，但在 PySpark 中不是）。有关正确用法的简单示例，请参阅 CrossValidator docs。

从更一般的角度来看：如果你的数据适合主内存（即你可以 collect 它们就像你的简历一样），绝对没有理由去打扰Spark ML，如果使用 scikit-learn，你会好得多。

--

关于第一部分：您显示的数据似乎只有 2 个标签 0.0/1.0；我不能确定（因为你只显示 10 条记录），但如果你确实只有 2 个标签，你不应该使用 MulticlassClassificationEvaluator 但 BinaryClassificationEvaluator - 但是，没有 metricName="accuracy" 选项... [编辑：排除万难，似乎 MulticlassClassificationEvaluator 确实也可以用于二进制分类，并且它是获得准确性的便捷方法，而二进制对应物没有提供！]

但这不是你得到这个错误的原因（顺便说一句，这与 evaluator 无关 - 你用 result.show() 或 result.collect() 得到它）；错误的原因是您的第一层（layers[0]）中的节点数为 4，而您的输入向量显然是 5 维的。来自 docs:

Number of inputs has to be equal to the size of feature vectors

将 layers[0] 更改为 5 可解决问题（未显示）。同样，如果你确实只有 2 类，你也应该将 layers[-1] 更改为 2（如果你不这样做，你不会得到错误，但它从分类中没有多大意义观点）。

我可以使用带有稀疏向量的数据帧来进行交叉验证调整吗？

Can i use dataframe with sparse vector to do cross-validation tuning?

machine-learning

scikit-learn

pyspark

cross-validation

apache-spark-ml