如何将从逻辑回归模型获得的系数映射到pyspark中的特征名称

Posted 2023-03-12

【中文标题】如何将从逻辑回归模型获得的系数映射到pyspark中的特征名称

【英文标题】：How to map the coefficient obtained from logistic regression model to the feature names in pyspark

【发布时间】：2019-09-22 02:06:57

【问题描述】：

我使用管道流构建了一个逻辑回归模型，该模型流向 databricks 列出的模型。 https://docs.databricks.com/spark/latest/mllib/binary-classification-mllib-pipelines.html

特征（数字和字符串特征）使用OneHotEncoderEstimator 编码，然后使用标准缩放器进行转换。

我想知道如何将从逻辑回归获得的权重（系数）映射到原始数据框中的特征名称。

也就是说，如何得到与模型得到的权重或系数相对应的特征

谢谢

我试图从 lrModel.schema 中提取特征，它给出了一个 structField 的列表，显示了这些特征

我试图从模式中提取特征并映射到权重但没有成功

from pyspark.ml.classification import LogisticRegression

# Create initial LogisticRegression model
lr = LogisticRegression(labelCol="label", featuresCol="scaledFeatures", maxIter=10)

# Train model with Training Data

lrModel = lr.fit(trainingData)

predictions = lrModel.transform(trainingData)

LRschema = predictions.schema

提取元组列表的预期结果（特征权重，特征名称）

【问题讨论】：

在转换后的数据框中使用 features 列的架构

非常感谢您的回答。它为我打开了一扇门，让我了解这个特征编号在向量中是如何工作的，我想我设法对它进行了排序。 pyspark 中是否有直接的方法可以将权重直接与命名的特征匹配，或者我必须通过模式对其进行排序

可能有属性访问器，但我没有使用它们，并且模式/元数据是 spark 存储这些信息的方式。您可以发布您的答案并标记它，以便其他人可以从中受益

【参考方案1】：

不是 LogisticRegression 的直接输出，但可以使用我使用的以下函数获得：

def ExtractFeatureCoeficient(model, dataset, excludedCols = None):
    test = model.transform(dataset)
    weights = model.coefficients
    print('This is model weights: \n', weights)
    weights = [(float(w),) for w in weights]  # convert numpy type to float, and to tuple
    if excludedCols == None:
        feature_col = [f for f in test.schema.names if f not in ['y', 'classWeights', 'features', 'label', 'rawPrediction', 'probability', 'prediction']]
    else:
        feature_col = [f for f in test.schema.names if f not in excludedCols]
    if len(weights) == len(feature_col):
        weightsDF = sqlContext.createDataFrame(zip(weights, feature_col), schema= ["Coeficients", "FeatureName"])
    else:
        print('Coeficients are not matching with remaining Fetures in the model, please check field lists with model.transform(dataset).schema.names')
    
    return weightsDF

results = ExtractFeatureCoeficient(lr_model, trainingData)

results.show()

这将生成一个包含以下字段的 spark 数据框：

+--------------------+--------------------+
|         Coeficients|         FeatureName|
+--------------------+--------------------+
|[0.15834847825223...|    name            |
|               [0.0]|  lat               |
+--------------------+--------------------+

或者您可以如下拟合 GML 模型：

model = GeneralizedLinearRegression(family="binomial", link="logit", featuresCol="features", labelCol="label", maxIter = 1000, regParam = 0.8, weightCol="classWeights")

# Train model.  This also runs the indexer.
models = glmModel.fit(trainingData)

# then get summary of the model:

summary = model.summary
print(summary)

生成输出：

Coefficients:
        Feature       Estimate Std Error  T Value P Value
    (Intercept)       -1.3079    0.0705 -18.5549  0.0000
    name               0.1248    0.0158   7.9129  0.0000
    lat                0.0239    0.0209   1.1455  0.2520

【参考方案2】：

假设你有一个逻辑回归可以使用，这个 Pandas 解决方法会给你结果。

lr = LogisticRegression(labelCol="label", featuresCol="features",maxIter=50,threshold=0.5)

lr_model=lr.fit(train_set)

print("Intercept: " + str(lr_model.intercept))  

pd.DataFrame('coefficients':lr_model.coefficients, 'feature':list(pd.DataFrame(train_set.schema["features"].metadata["ml_attr"]["attrs"]['numeric']).sort_values('idx')['name']))