Apache Spark 中的 RandomForestClassifier 输入带有无效标签列错误

Posted 2023-03-12

【中文标题】Apache Spark 中的 RandomForestClassifier 输入带有无效标签列错误

【英文标题】：RandomForestClassifier was given input with invalid label column error in Apache Spark

【发布时间】：2016-07-30 18:17:28

【问题描述】：

我正在尝试使用 SCALA 中的随机森林分类器模型使用 5 折交叉验证来查找准确性。但我在运行时收到以下错误：

java.lang.IllegalArgumentException: RandomForestClassifier 的输入带有无效的标签列标签，没有指定类的数量。请参阅字符串索引器。

出现上述错误---> val cvModel = cv.fit(trainingData)

我使用随机森林对数据集进行交叉验证的代码如下：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.tuning.ParamGridBuilder, CrossValidator
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint

val data = sc.textFile("exprogram/dataset.txt")
val parsedData = data.map  line =>
val parts = line.split(',')
LabeledPoint(parts(41).toDouble, 
Vectors.dense(parts(0).split(',').map(_.toDouble)))



val splits = parsedData.randomSplit(Array(0.6, 0.4), seed = 11L)
val training = splits(0)
val test = splits(1)

val trainingData = training.toDF()

val testData = test.toDF()

val nFolds: Int = 5
val NumTrees: Int = 5

val rf = new     
RandomForestClassifier()
      .setLabelCol("label")
      .setFeaturesCol("features")
      .setNumTrees(NumTrees)

val pipeline = new Pipeline()
      .setStages(Array(rf)) 

val paramGrid = new ParamGridBuilder()
          .build()

val evaluator = new  MulticlassClassificationEvaluator()
    .setLabelCol("label")
    .setPredictionCol("prediction")
    .setMetricName("precision") 

val cv = new CrossValidator()
   .setEstimator(pipeline)
   .setEvaluator(evaluator) 
   .setEstimatorParamMaps(paramGrid)
   .setNumFolds(nFolds)

val cvModel = cv.fit(trainingData)

val results = cvModel.transform(testData)
.select("label","prediction").collect

val numCorrectPredictions = results.map(row => 
if (row.getDouble(0) == row.getDouble(1)) 1 else 0).foldLeft(0)(_ + _)
val accuracy = 1.0D * numCorrectPredictions / results.size

println("Test set accuracy: %.3f".format(accuracy))

谁能解释一下上面代码中的错误是什么。

【参考方案1】：

RandomForestClassifier 与许多其他 ML 算法一样，需要在标签列上设置特定的元数据，并且标签值是 [0, 1, 2 ..., #classes) 中的整数值，表示为双精度值。通常这由上游Transformers 处理，例如StringIndexer。由于您手动转换标签，因此未设置元数据字段，分类器无法确认满足这些要求。

val df = Seq(
  (0.0, Vectors.dense(1, 0, 0, 0)),
  (1.0, Vectors.dense(0, 1, 0, 0)),
  (2.0, Vectors.dense(0, 0, 1, 0)),
  (2.0, Vectors.dense(0, 0, 0, 1))
).toDF("label", "features")

val rf = new RandomForestClassifier()
  .setFeaturesCol("features")
  .setNumTrees(5)

rf.setLabelCol("label").fit(df)
// java.lang.IllegalArgumentException: RandomForestClassifier was given input ...

您可以使用StringIndexer 重新编码标签列：

import org.apache.spark.ml.feature.StringIndexer

val indexer = new StringIndexer()
  .setInputCol("label")
  .setOutputCol("label_idx")
  .fit(df)

rf.setLabelCol("label_idx").fit(indexer.transform(df))

或set required metadata manually:

val meta = NominalAttribute
  .defaultAttr
  .withName("label")
  .withValues("0.0", "1.0", "2.0")
  .toMetadata

rf.setLabelCol("label_meta").fit(
  df.withColumn("label_meta", $"label".as("", meta))
)

注意：

使用StringIndexer 创建的标签取决于频率而不是值：

indexer.labels
// Array[String] = Array(2.0, 0.0, 1.0)

PySpark：

在 Python 中，元数据字段可以直接在模式上设置：

from pyspark.sql.types import StructField, DoubleType

StructField(
    "label", DoubleType(), False,
    "ml_attr": 
        "name": "label",
        "type": "nominal", 
        "vals": ["0.0", "1.0", "2.0"]
    
)