使用 PySpark API 的线性支持向量机多类分类
Posted
技术标签:
【中文标题】使用 PySpark API 的线性支持向量机多类分类【英文标题】:Linear Support Vector Machines multiclass classification with PySpark API 【发布时间】:2017-01-30 13:39:29 【问题描述】:支持向量机目前尚不支持 Spark 中的多类分类,但将来会如 Spark page 中所述。
是否有任何发布日期或任何机会使用支持向量机实现多类的 PySpark API 运行它?感谢您提供任何见解。
【问题讨论】:
【参考方案1】:在实践中,您可以使用任意二元分类器和 one-vs-rest 策略执行多类分类。 mllib
没有提供一个(ml
中有一个),但您可以轻松构建自己的。假设数据如下所示
import numpy as np
np.random.seed(323)
classes = [0, 1, 2, 3, 4, 5]
def make_point(classes):
label = np.random.choice(classes)
features = np.random.random(len(classes))
features[label] += 10
return LabeledPoint(label, features)
data = sc.parallelize([make_point(classes) for _ in range(1000)])
xs = data.take(5)
我们可以为每个类训练单独的模型:
def model_for_class(c, rdd):
def adjust_label(lp):
return LabeledPoint(1 if lp.label == c else 0, lp.features)
model = SVMWithSGD.train(rdd.map(adjust_label))
model.clearThreshold()
return model
models = [model_for_class(c, data) for c in classes]
并将其用于预测:
[(x.label, np.argmax([model.predict(x.features) for model in models]))
for x in xs]
## [(0.0, 0), (1.0, 1), (0.0, 0), (5.0, 5), (2.0, 2)]
在旁注中,您不能指望pyspark.mllib
有任何进一步的发展,因为它已被弃用,取而代之的是ml
。
【讨论】:
以上是关于使用 PySpark API 的线性支持向量机多类分类的主要内容,如果未能解决你的问题,请参考以下文章