使用 PySpark API 的线性支持向量机多类分类

Posted 2023-03-12

【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。

【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。