【pyspark学习从入门到精通21】机器学习库

【pyspark学习从入门到精通21】机器学习库_4

评估模型的性能

保存模型

参数超参数调整

网格搜索

评估模型的性能

显然，我们现在想测试我们的模型表现得如何。PySpark 在包的 .evaluation 部分提供了一些分类和回归的评估方法：

import pyspark.ml.evaluation as ev

我们将使用 BinaryClassficationEvaluator 来测试我们的模型表现如何：

evaluator = ev.BinaryClassificationEvaluator(rawPredictionCol='probability', labelCol='INFANT_ALIVE_AT_REPORT')

rawPredictionCol 可以是估计器产生的 rawPrediction 列，也可以是概率。

让我们看看我们的模型表现如何：

print(evaluator.evaluate(test_model, {evaluator.metricName: 'areaUnderROC'}))
print(evaluator.evaluate(test_model, {evaluator.metricName: 'areaUnderPR'}))

前面的代码产生了以下结果：

ROC 曲线下面积为 74%，PR 曲线下面积为 71%，显示出一个定义良好的模型，但并没有什么非凡之处；如果我们有其他特征，我们可以提高这个数值，但这不是本章（更不用说这本书）的目的。

保存模型

PySpark 允许你保存管道定义以供以后使用。它不仅保存管道结构，还保存所有转换器和估计器的定义：

pipelinePath = './infant_oneHotEncoder_Logistic_Pipeline'
pipeline.write().overwrite().save(pipelinePath)

所以，你可以在以后加载它，并直接使用它来 .fit(...) 和预测：

loadedPipeline = Pipeline.load(pipelinePath)
loadedPipeline \.fit(births_train)\.transform(births_test)\.take(1)

前面的代码产生了相同的结果（正如预期）：

然而，如果你想保存估计出的模型，你也可以这样做；而不是保存管道，你需要保存 PipelineModel。

要保存你的模型，请看以下示例：

from pyspark.ml import PipelineModel
modelPath = './infant_oneHotEncoder_Logistic_PipelineModel'
model.write().overwrite().save(modelPath)
loadedPipelineModel = PipelineModel.load(modelPath)
test_reloadedModel = loadedPipelineModel.transform(births_test)

前面的脚本使用 PipelineModel 类的类方法 .load(...) 来重新加载估计出的模型。你可以将 test_reloadedModel.take(1) 的结果与我们之前展示的 test_model.take(1) 的输出进行比较。

参数超参数调整

很少情况下，我们的第一个模型会是我们能做的最好的。仅仅通过观察我们的指标，并因为它通过了我们预先设定的性能阈值而接受模型，这很难说是一种科学的方法来找到最佳模型。

参数超参数调整的概念是找到模型的最佳参数：例如，正确估计逻辑回归模型所需的最大迭代次数或决策树的最大深度。

在这一部分，我们将探讨两种概念，它们允许我们为我们的模型找到最佳参数：网格搜索和训练-验证分割。

网格搜索

网格搜索是一种穷尽算法，它遍历定义的参数值列表，估计单独的模型，并根据某些评估指标选择最佳模型。

这里应该谨慎说明：如果你定义了太多的参数要优化，或者这些参数的值太多，选择最佳模型可能需要很长时间，因为随着参数数量和参数值数量的增加，需要估计的模型数量会迅速增长。

例如，如果你想微调两个参数，每个参数有两个参数值，你将不得不拟合四个模型。增加一个具有两个值的参数将需要估计八个模型，而为我们的两个参数增加一个额外的值（将其带到每个参数的三个值）将需要估计九个模型。正如你所看到的，如果你不小心，这个很快就会失控。请看以下图表进行直观检查：

在这次警示性故事之后，让我们开始微调我们的参数空间。首先，我们加载包的 .tuning 部分：

import pyspark.ml.tuning as tune

接下来，让我们指定我们的模型和我们想要遍历的参数列表：

logistic = cl.LogisticRegression(labelCol='INFANT_ALIVE_AT_REPORT')
grid = tune.ParamGridBuilder() \.addGrid(logistic.maxIter, [2, 10, 50]) \.addGrid(logistic.regParam, [0.01, 0.05, 0.3]) \.build()

首先，我们指定我们想要优化参数的模型。接下来，我们决定我们将优化哪些参数，以及要测试这些参数的哪些值。我们使用 .tuning 子包中的 ParamGridBuilder() 对象，并使用 .addGrid(...) 方法向网格中添加参数：第一个参数是我们要优化的模型的参数对象（在我们的例子中，这些是 logistic.maxIter 和 logistic.regParam），第二个参数是我们想要遍历的值列表。调用 .ParamGridBuilder 上的 .build() 方法构建网格。

接下来，我们需要一种比较模型的方法：

evaluator = ev.BinaryClassificationEvaluator(rawPredictionCol='probability', labelCol='INFANT_ALIVE_AT_REPORT')

所以，再一次，我们将使用 BinaryClassificationEvaluator。现在轮到创建为我们执行验证工作的逻辑了：

cv = tune.CrossValidator(estimator=logistic, estimatorParamMaps=grid, evaluator=evaluator
)

CrossValidator 需要估计器、估计器参数映射和评估器来完成其工作。模型遍历值的网格，估计模型，并使用评估器比较它们的性能。

我们不能直接使用数据（因为 births_train 和 births_test 仍然有未编码的 BIRTHS_PLACE 列），所以我们创建一个纯粹的转换管道：

pipeline = Pipeline(stages=[encoder ,featuresCreator])
data_transformer = pipeline.fit(births_train)

完成这些后，我们准备好为我们的模型找到最优的参数组合了：

cvModel = cv.fit(data_transformer.transform(births_train))

cvModel 将返回估计出的最佳模型。现在我们可以使用它来看看它是否比我们之前的模型表现得更好：

data_train = data_transformer \.transform(births_test)
results = cvModel.transform(data_train)
print(evaluator.evaluate(results, {evaluator.metricName: 'areaUnderROC'}))
print(evaluator.evaluate(results, {evaluator.metricName: 'areaUnderPR'}))

前面的代码将产生以下结果：

正如你看到的，我们得到了一个稍微更好的结果。最佳模型有哪些参数？答案有点复杂，但以下是如何提取它的方法：

results = [([{key.name: paramValue} for key, paramValue in zip(params.keys(), params.values())], metric) for params, metric in zip(cvModel.getEstimatorParamMaps(), cvModel.avgMetrics)
]
sorted(results, key=lambda el: el[1], reverse=True)[0]

前面的代码产生了以下输出：