CrossValidation/TrainValidationSplit 在 PySpark 中有多个管道
CrossValidation/TrainValidationSplit with multiple pipelines in PySpark
我正在尝试评估 PySpark 中的多个管道。我可以在一个单独的 CV/TVS 中为每个模型完成它,但我想只在一个模型中完成它,这样它就可以直接给我最好的模型,但我不知道如何让它工作。
lr_assembler
和 assembler
是 VectorAsembler
的两个实例(不同的特征选择)。
pca
、lr
、rf
和 gbt
是 PCA
、LinearRegression
、RandomForestRegressor
和 GBTRegressor
.
管道定义:
pipeline = Pipeline()
lr_stages = [lr_assembler, pca, lr]
rf_stages = [assembler, rf]
gbt_stages = [assembler, gbt]
lr_pipeline = Pipeline(stages=lr_stages)
rf_pipeline = Pipeline(stages=rf_stages)
gbt_pipeline = Pipeline(stages=gbt_stages)
paramMaps 定义:
lr_grid = ParamGridBuilder().baseOn({pipeline.stages:lr_stages})\
.addGrid(pca.k, [2, 5, 7])\
.build()
rf_grid = ParamGridBuilder().baseOn({pipeline.stages:rf_stages})\
.addGrid(rf.maxDepth, [5, 10])\
.addGrid(rf.featureSubsetStrategy, ['3', '6'])\
.build()
gbt_grid = ParamGridBuilder().baseOn({pipeline.stages:gbt_stages})\
.addGrid(gbt.maxDepth, [5, 10])\
.addGrid(gbt.maxIter, [50, 100])\
.build()
grid = lr_grid + rf_grid + gbt_grid
TrainValidationSplit 定义:
tvs = TrainValidationSplit(estimator=pipeline, estimatorParamMaps=grid, evaluator=rmse_evaluator, trainRatio=0.8, parallelism=3, seed=7)
模型训练:
model = tvs.fit(train_val)
在最后一行 运行 之后,这是我得到的错误(不确定我是否应该 post 整件事):
KeyError: Param(parent='Pipeline_40f78ef0cee04a4ebc61', name='stages', doc='a list of pipeline stages')
感谢您的宝贵时间。
我有同样的问题,我通过初始化管道阶段解决了这个问题。
pipeline = Pipeline(stages=[]) # Must initialize with empty list!
这里有一个很好的这种方法的例子:
https://github.com/dsharpc/dsharpc.github.io/blob/master/SparkMLFlights/README.md
我正在尝试评估 PySpark 中的多个管道。我可以在一个单独的 CV/TVS 中为每个模型完成它,但我想只在一个模型中完成它,这样它就可以直接给我最好的模型,但我不知道如何让它工作。
lr_assembler
和 assembler
是 VectorAsembler
的两个实例(不同的特征选择)。
pca
、lr
、rf
和 gbt
是 PCA
、LinearRegression
、RandomForestRegressor
和 GBTRegressor
.
管道定义:
pipeline = Pipeline()
lr_stages = [lr_assembler, pca, lr]
rf_stages = [assembler, rf]
gbt_stages = [assembler, gbt]
lr_pipeline = Pipeline(stages=lr_stages)
rf_pipeline = Pipeline(stages=rf_stages)
gbt_pipeline = Pipeline(stages=gbt_stages)
paramMaps 定义:
lr_grid = ParamGridBuilder().baseOn({pipeline.stages:lr_stages})\
.addGrid(pca.k, [2, 5, 7])\
.build()
rf_grid = ParamGridBuilder().baseOn({pipeline.stages:rf_stages})\
.addGrid(rf.maxDepth, [5, 10])\
.addGrid(rf.featureSubsetStrategy, ['3', '6'])\
.build()
gbt_grid = ParamGridBuilder().baseOn({pipeline.stages:gbt_stages})\
.addGrid(gbt.maxDepth, [5, 10])\
.addGrid(gbt.maxIter, [50, 100])\
.build()
grid = lr_grid + rf_grid + gbt_grid
TrainValidationSplit 定义:
tvs = TrainValidationSplit(estimator=pipeline, estimatorParamMaps=grid, evaluator=rmse_evaluator, trainRatio=0.8, parallelism=3, seed=7)
模型训练:
model = tvs.fit(train_val)
在最后一行 运行 之后,这是我得到的错误(不确定我是否应该 post 整件事):
KeyError: Param(parent='Pipeline_40f78ef0cee04a4ebc61', name='stages', doc='a list of pipeline stages')
感谢您的宝贵时间。
我有同样的问题,我通过初始化管道阶段解决了这个问题。
pipeline = Pipeline(stages=[]) # Must initialize with empty list!
这里有一个很好的这种方法的例子: https://github.com/dsharpc/dsharpc.github.io/blob/master/SparkMLFlights/README.md