Próbuję uruchomić losową klasyfikację lasu za pomocą Spark ML api, ale mam problemy z utworzeniem właściwego wejścia ramki danych do potoku.Jak utworzyć poprawną ramkę danych do klasyfikacji w Spark ML
Oto przykładowe dane:
age,hours_per_week,education,sex,salaryRange
38,40,"hs-grad","male","A"
28,40,"bachelors","female","A"
52,45,"hs-grad","male","B"
31,50,"masters","female","B"
42,40,"bachelors","male","B"
wiek i hours_per_week są liczbami całkowitymi, podczas gdy inne funkcje, w tym etykiety salaryRange są kategoryczne (String)
ładuje plik CSV (pozwala wywołać sample.csv) można wykonać przez Spark csv library w następujący sposób:
val data = sqlContext.csvFile("/home/dusan/sample.csv")
Domyślnie wszystkie kolumny są importowane jako ciąg tak musimy zmienić „wiek” i „hours_per_week” INT:
val toInt = udf[Int, String](_.toInt)
val dataFixed = data.withColumn("age", toInt(data("age"))).withColumn("hours_per_week",toInt(data("hours_per_week")))
Wystarczy sprawdzić jak schemat wygląda teraz:
scala> dataFixed.printSchema
root
|-- age: integer (nullable = true)
|-- hours_per_week: integer (nullable = true)
|-- education: string (nullable = true)
|-- sex: string (nullable = true)
|-- salaryRange: string (nullable = true)
Następnie pozwala ustawić krzyż walidator i rurociągu:
val rf = new RandomForestClassifier()
val pipeline = new Pipeline().setStages(Array(rf))
val cv = new CrossValidator().setNumFolds(10).setEstimator(pipeline).setEvaluator(new BinaryClassificationEvaluator)
błąd pojawia się po uruchomieniu tej linii:
val cmModel = cv.fit(dataFixed)
java.lang.IllegalArgumentException: Pole "funkcje" nie istnieje.
Możliwe jest ustawienie kolumny i kolumny z cechami w RandomForestClassifier, jednak mam 4 kolumny jako predyktory (funkcje) nie tylko jeden.
W jaki sposób powinienem uporządkować ramkę danych, aby etykiety i kolumny były poprawnie uporządkowane?
Dla wygody tutaj jest pełny kod:
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.BinaryClassificationEvaluator
import org.apache.spark.ml.tuning.CrossValidator
import org.apache.spark.ml.Pipeline
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.functions._
import org.apache.spark.mllib.linalg.{Vector, Vectors}
object SampleClassification {
def main(args: Array[String]): Unit = {
//set spark context
val conf = new SparkConf().setAppName("Simple Application").setMaster("local");
val sc = new SparkContext(conf)
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
import com.databricks.spark.csv._
//load data by using databricks "Spark CSV Library"
val data = sqlContext.csvFile("/home/dusan/sample.csv")
//by default all columns are imported as string so we need to change "age" and "hours_per_week" to Int
val toInt = udf[Int, String](_.toInt)
val dataFixed = data.withColumn("age", toInt(data("age"))).withColumn("hours_per_week",toInt(data("hours_per_week")))
val rf = new RandomForestClassifier()
val pipeline = new Pipeline().setStages(Array(rf))
val cv = new CrossValidator().setNumFolds(10).setEstimator(pipeline).setEvaluator(new BinaryClassificationEvaluator)
// this fails with error
//java.lang.IllegalArgumentException: Field "features" does not exist.
val cmModel = cv.fit(dataFixed)
}
}
Dzięki za pomoc!
Nie wiesz o języku scala, ale gdzie ustawiasz etykiety i funkcje z zestawu danych jak LabeledPoint (etykiety, lista (funkcje)), sprawdź przykład w https://spark.apache.org/docs/latest/mllib -linear-methods.html –
@ABC, Proszę sprawdzić mój komentarz w poniższym pytaniu. –
sprawdź ten przykład: https://github.com/apache/spark/blob/master/examples/src/main/scala/org/apache/spark/examples/ml/SimpleTextClassificationPipeline.scala gdzie val model = pipeline.fit (training .toDF()) wykorzystuje ramkę danych w potoku –