Besorolás – SynapseML előtt és után

  • Cikk

Előfeltételek

  • Csatolja a jegyzetfüzetet egy tóházhoz. A bal oldalon válassza a Hozzáadás lehetőséget egy meglévő tóház hozzáadásához vagy egy tóház létrehozásához.

Bevezetés

Ebben az oktatóanyagban ugyanazt a besorolási feladatot két különböző módon hajtjuk végre: egyszer egyszerű pyspark és egyszer a synapseml kódtár használatával. A két metódus ugyanazt a teljesítményt nyújtja, de a két kódtár egyikét drasztikusan egyszerűbb használni és iterálni (ki tudja találni, melyiket?).

A feladat egyszerű: Előre jelezheti, hogy az Amazonon értékesített könyv felhasználói véleménye jó (3. értékelés > ) vagy rossz a vélemény szövege alapján. Ezt a LogisticRegression-tanulók különböző hiperparaméterekkel való betanításával és a legjobb modell kiválasztásával valósítjuk meg.

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

Az adatok olvasása

Letöltjük és elolvassuk az adatokat.

rawData = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/BookReviewsFromAmazon10K.parquet"
)
rawData.show(5)

További funkciók kinyerés és adatok feldolgozása

A valós adatok azonban összetettebbek, mint a fenti adathalmaz. Gyakran előfordul, hogy egy adathalmaznak több típusa van: szöveg, numerikus, kategorikus. Annak szemléltetéséhez, hogy milyen nehéz ezekkel az adathalmazokkal dolgozni, két numerikus funkciót adunk hozzá az adathalmazhoz: a vélemény szószámát és a szó átlagos hosszát.

from pyspark.sql.functions import udf
from pyspark.sql.types import *


def wordCount(s):
    return len(s.split())


def wordLength(s):
    import numpy as np

    ss = [len(w) for w in s.split()]
    return round(float(np.mean(ss)), 2)


wordLengthUDF = udf(wordLength, DoubleType())
wordCountUDF = udf(wordCount, IntegerType())

from synapse.ml.stages import UDFTransformer

wordLength = "wordLength"
wordCount = "wordCount"
wordLengthTransformer = UDFTransformer(
    inputCol="text", outputCol=wordLength, udf=wordLengthUDF
)
wordCountTransformer = UDFTransformer(
    inputCol="text", outputCol=wordCount, udf=wordCountUDF
)

from pyspark.ml import Pipeline

data = (
    Pipeline(stages=[wordLengthTransformer, wordCountTransformer])
    .fit(rawData)
    .transform(rawData)
    .withColumn("label", rawData["rating"] > 3)
    .drop("rating")
)

data.show(5)

Besorolás pyspark használatával

A legjobb LogisticRegression-osztályozó kiválasztásához a pyspark kódtár használatával explicit módon végre kell hajtania a következő lépéseket:

  1. A funkciók feldolgozása:
    • A szövegoszlop tokenizálása
    • Kivonatolással kivonatosíthatja a tokenizált oszlopot egy vektorban
    • A numerikus jellemzők egyesítése a vektorral
  2. A címkeoszlop feldolgozása: a megfelelő típusba öntötte.
  3. Több LogisticRegression-algoritmus betanítása az train adathalmazon különböző hiperparaméterekkel
  4. Számítsa ki az ROC-görbe alatti területet az egyes betanított modellekhez, és válassza ki az adathalmazon test kiszámított legmagasabb metrikát tartalmazó modellt
  5. A készlet legjobb modelljének kiértékelése validation

Mint látható, számos munka van folyamatban, és számos lépés, ahol valami baj lehet!

from pyspark.ml.feature import Tokenizer, HashingTF
from pyspark.ml.feature import VectorAssembler

# Featurize text column
tokenizer = Tokenizer(inputCol="text", outputCol="tokenizedText")
numFeatures = 10000
hashingScheme = HashingTF(
    inputCol="tokenizedText", outputCol="TextFeatures", numFeatures=numFeatures
)
tokenizedData = tokenizer.transform(data)
featurizedData = hashingScheme.transform(tokenizedData)

# Merge text and numeric features in one feature column
featureColumnsArray = ["TextFeatures", "wordCount", "wordLength"]
assembler = VectorAssembler(inputCols=featureColumnsArray, outputCol="features")
assembledData = assembler.transform(featurizedData)

# Select only columns of interest
# Convert rating column from boolean to int
processedData = assembledData.select("label", "features").withColumn(
    "label", assembledData.label.cast(IntegerType())
)

from pyspark.ml.evaluation import BinaryClassificationEvaluator
from pyspark.ml.classification import LogisticRegression

# Prepare data for learning
train, test, validation = processedData.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
evaluator = BinaryClassificationEvaluator(
    rawPredictionCol="rawPrediction", metricName="areaUnderROC"
)
metrics = []
models = []

# Select the best model
for learner in logisticRegressions:
    model = learner.fit(train)
    models.append(model)
    scoredData = model.transform(test)
    metrics.append(evaluator.evaluate(scoredData))
bestMetric = max(metrics)
bestModel = models[metrics.index(bestMetric)]

# Get AUC on the validation dataset
scoredVal = bestModel.transform(validation)
print(evaluator.evaluate(scoredVal))

Besorolás a synapseml használatával

Az élet sokkal egyszerűbb, ha használ!synapseml

  1. A TrainClassifier Becslő belsőleg featurálja az adatokat, amíg a , test, validation adathalmazban trainkijelölt oszlopok a jellemzőket képviselik

  2. A FindBestModel Becslő megkeresi a legjobb modellt a betanított modellek készletéből, és megkeresi azt a modellt, amely a legjobban teljesít az adathalmazon a test megadott metrika alapján

  3. A ComputeModelStatistics Transzformátor egyszerre számítja ki a különböző metrikákat egy pontozott adathalmazon (esetünkben az validation adathalmazon).

from synapse.ml.train import TrainClassifier, ComputeModelStatistics
from synapse.ml.automl import FindBestModel

# Prepare data for learning
train, test, validation = data.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
lrmodels = [
    TrainClassifier(model=lrm, labelCol="label", numFeatures=10000).fit(train)
    for lrm in logisticRegressions
]

# Select the best model
bestModel = FindBestModel(evaluationMetric="AUC", models=lrmodels).fit(test)


# Get AUC on the validation dataset
predictions = bestModel.transform(validation)
metrics = ComputeModelStatistics().transform(predictions)
print(
    "Best model's AUC on validation set = "
    + "{0:.2f}%".format(metrics.first()["AUC"] * 100)
)

Következő lépések