高斯混合模型：Spark MLlib 和 scikit-learn 之间的区别

Posted 2023-03-12

【中文标题】高斯混合模型：Spark MLlib 和 scikit-learn 之间的区别

【英文标题】：Gaussian Mixture Models: Difference between Spark MLlib and scikit-learn

【发布时间】：2018-11-27 16:05:28

【问题描述】：

我正在尝试在数据集样本上使用高斯混合模型。 我同时使用了MLlib（和pyspark）和scikit-learn，得到了截然不同的结果，scikit-learn 看起来更真实。

from pyspark.mllib.clustering import GaussianMixture as SparkGaussianMixture
from sklearn.mixture import GaussianMixture
from pyspark.mllib.linalg import Vectors

Scikit 学习：

local = pd.DataFrame([ x.asDict() for x in df.sample(0.0001).collect() ])
model1 = GaussianMixture(n_components=3)
model1.fit([ [x] for x in local['field'].tolist() ])

model1.means_
array([[7.56123598e+00],
   [1.32517410e+07],
   [3.96762639e+04]])

model1.covariances_
array([[[6.65177423e+00]],
   [[1.00000000e-06]],
   [[8.38380897e+10]]])

MLLib：

model2 = SparkGaussianMixture.train(
    sc.createDataFrame(local).rdd.map(lambda x: Vectors.dense(x.field)),
    k=3,
    convergenceTol=1e-4,
    maxIterations=100
)

model2.gaussians
[MultivariateGaussian(mu=DenseVector([28736.5113]), sigma=DenseMatrix(1, 1, [1094083795.0001], 0)),
 MultivariateGaussian(mu=DenseVector([7839059.9208]), sigma=DenseMatrix(1, 1, [38775218707109.83], 0)),
 MultivariateGaussian(mu=DenseVector([43.8723]), sigma=DenseMatrix(1, 1, [608204.4711], 0))]

但是，我有兴趣通过模型运行整个数据集，我担心这需要并行化（因此使用 MLlib）才能在有限时间内获得结果。我做错了什么/错过了什么吗？

数据：

完整的数据有一个极长的尾巴，看起来像：

而数据在更接近由scikit-learn 聚类的位置处具有明显正常的 dist ceneterd：

我正在使用 Spark 2.3.0 (AWS EMR)。

编辑：初始化参数：

local = pd.DataFrame([ x.asDict() for x in df.sample(0.0001).collect() ])
model1 = GaussianMixture(n_components=3, init_params='random')
model1.fit([ [x] for x in local['field'].tolist() ])

model1.means_
array([[2.17611913e+04],
   [8.03184505e+06],
   [7.56871801e+00]])

model1.covariances_
rray([[[1.01835902e+09]],
   [[3.98552130e+13]],
   [[6.95161493e+00]]])

【问题讨论】：

我可以看到至少mu 值在两种方法中都类似于三个集群。然而，这些值可能高度依赖于初始化值

mu 的值实际上并不接近。用图表更新了问题。

您可以发布数据集的快照吗？还是以 ? 开头的虚拟数据？

是否有统计原因不能对数据集进行二次抽样？

@MohammedKashif 恐怕我做不到，虽然我可以尝试生成一些类似的数据，让我试试...

【参考方案1】：

我真的不知道scikit-learn 或Spark 中使用了哪种类型的 EM 算法，但我确信如果他们使用 SEM（随机期望最大化），它应该比 EM 覆盖得更快。 (see this)。

但是，为了避免鞍点或局部最大值，始终建议使用多个起始技术。

我真的不明白你的情节，它们的比例不同，第二个是第一个的放大吗？顺便说一句，我建议您通过 BIC（贝叶斯信息准则）选择 k 的数量，并通过此度量选择组件的数量。

【讨论】：

针对这种特定情况提供一些代码示例！

【参考方案2】：

这本身不是 python 问题。它似乎更像是一个机器学习/数据验证/数据分割问题，IMO。话虽如此，您认为必须并行化您的工作是正确的，但重要的是您以何种方式进行工作。模型中的 8 位量化和模型并行性之类的东西可以帮助您实现目标：在不牺牲数据质量或保真度的情况下，及时在大型数据集上训练模型。

这是一篇关于量化的博文：https://petewarden.com/2016/05/03/how-to-quantize-neural-networks-with-tensorflow/

这是来自 Tim Dettmers 博客的关于模型并行性和 8 位量化的博文：http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/

及相关论文：https://arxiv.org/pdf/1511.04561.pdf

尽管您需要记住，根据 GPU 上的 FP 操作，您可能不会从这条路线中看到实质性的好处：https://blog.inten.to/hardware-for-deep-learning-part-3-gpu-8906c1644664

HTH 和 YMMV。

此外，您可能想研究数据折叠，但不记得详细信息，也记不起我此时阅读的论文。不过，一旦我这样做了，我会在这里记住它。