【Spark】(task8)SparkML中的pipeline通道建立

一、ML Pipeline机器学习流程

如果样本较少，可以直接使用python对样本进行ML建模，但当需要大规模数据集时，可以使用spark进行分布式内存计算，虽然spark的原生语言是scala，但如果用python写可以用pyspark进行机器学习的pipeline链路建立。

1.1 ML Pipeline构建流程

spark有MLlib机器学习库，比ML Pipeline复杂，先来大概看下ML Pipeline构建机器学习流程：

• 数据准备： 将特征值和预测变量整理成DataFrame
• 建立机器学习流程Pipeline：
  • StringIndexer:将文字分类特征转化为数字
  • OneHotEncoder:将数字分类特征转化为稀疏向量
  • VectorAssembler:将所有特征字段整合成一个Vector字段
  • DecisionTreeClassfier:训练生成模型
• 训练：训练集使用pipeline.fit()进行训练，产生pipelineModel
• 预测：使用pipelineModel.transform()预测测试集，产生预测结果

1.2 ML Pipeline组件

注意：pyspark的一些组件和python中的同名组件不完全一样：

• DataFrame: 是Spark ML机器学习API处理的数据格式，可以由文本文件、RDD、或者Spark SQL创建，与python 的Dataframe概念相近但是方法完全不同。
• Transformer:可以使用.transform方法将一个DataFrame转换成另一个DataFrame。
• Estimator:可以使用.fit方法传入DataFrame，生成一个Transformer。
• pipeline:可以串联多个Transformer和Estimator建立ML机器学习的工作流。
• Parameter:以上Transformer和Estimator都可以共享的参数API。

二、以GBDT为栗子

2.0 GBTs介绍

Spark中的GBDT较GBTs——梯度提升树，因为其是基于决策树（Decision Tree，DT）实现的，所以叫GBDT。Spark 中的GBDT算法存在于ml包和mllib包中：

• mllib是基于RDD的，
• ml包则是针对DataFrame的，ml包中的GBDT分为分类和回归。

由于在实际生产环境中使用基于RDD的较多，所以直接使用MLLib包中的GBTs，ML包中的则进行简单说明。

• pipeline：一个 Pipeline 在结构上会包含一个或多个 PipelineStage，每一个 PipelineStage 都会完成一个任务，如数据集处理转化，模型训练，参数设置或数据预测等，这样的 PipelineStage 在 ML 里按照处理问题类型的不同都有相应的定义和实现。
• transformer：是一个pipelineStage，把一个df转为另一个df，一个model可以把一个不包含预测标签的测试数据集 DataFrame 打上标签转化成另一个包含预测标签的 DataFrame，显然这样的结果集可以被用来做分析结果的可视化。
• estimator：操作df数据生成一个transformer，包括fit部分。

2.1 加载libsvm数据

# gbdt_test
import findspark
findspark.init()
import pyspark
from pyspark import SparkConf
from pyspark.ml import Pipeline
from pyspark.context import SparkContext
from pyspark.sql.session import SparkSession
from pyspark.ml.classification import DecisionTreeClassifier
from pyspark.ml.evaluation import MulticlassClassificationEvaluator
from pyspark.ml.feature import StringIndexer, VectorIndexer,IndexToString
from pyspark.ml.classification import GBTClassifier

file_path = "file:///home/hadoop/development/RecSys/data"

# def gradientBoostedTreeClassifier(data="data/sample_libsvm_data.txt"):
# def gradientBoostedTreeClassifier(data):
''' GBDT分类器 '''
#加载LIBSVM格式的数据集
data = spark.read.format("libsvm").load(data)  
labelIndexer = StringIndexer(inputCol="label", outputCol="indexedLabel").fit(data)
data.show(n = 3)

""" +-----+--------------------+ |label| features| +-----+--------------------+ | 0.0|(692,[127,128,129...| | 1.0|(692,[158,159,160...| | 1.0|(692,[124,125,126...| +-----+--------------------+ only showing top 3 rows """

2.2 pipeline链路过程

#训练集、测试集划分
(trainingData, testData) = data.randomSplit([0.7, 0.3])
#print("训练集：\n", trainingData.show(n = 1), "\n")
#print("测试集：\n", testData.show(n = 1))

# 使用10个基分类器
gbt = GBTClassifier(labelCol="indexedLabel", featuresCol="indexedFeatures", maxIter=10)
print("gbt_test:\n", gbt, "\n")

# 建立模型的pipeline
pipeline = Pipeline(stages=[labelIndexer, featureIndexer, gbt])
print("pipeline:\n", type(pipeline), "\n")

model = pipeline.fit(trainingData)

# 做预测 
predictions = model.transform(testData)

#展示前5行数据
predictions.select("prediction", "indexedLabel", "features").show(5)

#展示预测标签与真实标签，计算测试误差 fit part
evaluator = MulticlassClassificationEvaluator(
    labelCol="indexedLabel", predictionCol="prediction", metricName="accuracy")

# predict
accuracy = evaluator.evaluate(predictions)
print("Test Error = %g" % (1.0 - accuracy))
gbtModel = model.stages[2]
print('gbtModelSummary: ',gbtModel)  #模型摘要

结果如下，从Test Error = 0.12看，即accuracy为98%的效果，以上即一个简单的GBDT分类任务，通过10个基分类器，根据boosting策略根据负梯度的优化：

+-----+--------------------+
|label|            features|
+-----+--------------------+
|  0.0|(692,[95,96,97,12...|
+-----+--------------------+
only showing top 1 row

训练集：
 None 

+-----+--------------------+
|label|            features|
+-----+--------------------+
|  0.0|(692,[123,124,125...|
+-----+--------------------+
only showing top 1 row

测试集：
 None
gbt_test:
 GBTClassifier_eafe5d3c8749 

pipeline:
 <class 'pyspark.ml.pipeline.Pipeline'> 

+----------+------------+--------------------+
|prediction|indexedLabel|            features|
+----------+------------+--------------------+
|       1.0|         1.0|(692,[123,124,125...|
|       1.0|         1.0|(692,[124,125,126...|
|       1.0|         1.0|(692,[126,127,128...|
|       1.0|         1.0|(692,[129,130,131...|
|       1.0|         1.0|(692,[150,151,152...|
+----------+------------+--------------------+
only showing top 5 rows

Test Error = 0.12
gbtModelSummary:  GBTClassificationModel: uid = GBTClassifier_eafe5d3c8749, numTrees=10, numClasses=2, numFeatures=692

Reference

[1] Spark 排序算法系列之 GBTs 使用方式介绍
[2] MLlib：https://www.jianshu.com/p/4d7003182398
[3] pyspark学习之——流水线Pipeline