Megosztás a következőn keresztül:

Besorolási feladatok a SynapseML használatával

Ez a cikk bemutatja, hogyan hajthat végre egy adott besorolási feladatot két módszerrel. Egy metódus egyszerű pyspark, egy metódus pedig a kódtárat synapseml használja. Bár a módszerek ugyanazt a teljesítményt nyújtják, kiemelik a synapseml egyszerűségét a pyspark-hez képest.

A cikkben ismertetett feladat azt jelzi előre, hogy az Amazonon értékesített könyv adott ügyfél-véleménye jó (3. minősítés > ) vagy rossz-e a felülvizsgálati szöveg alapján. A feladat létrehozásához különböző hiperparaméterekkel taníthatja be a LogisticRegression-tanulókat , majd kiválaszthatja a legjobb modellt.

Előfeltételek

Csatolja a jegyzetfüzetet egy tóházhoz. A bal oldalon a Hozzáadás lehetőséget választva hozzáadhat egy meglévő tóházat, vagy létrehozhat egy új tóházat.

Beállítás

Importálja a szükséges Python-kódtárakat, és szerezze be a Spark-munkamenetet:

from pyspark.sql import SparkSession

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

Az adatok olvasása

Töltse le és olvassa el az adatokat:

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

Funkciók kinyerés és adatok feldolgozása

A valós adatok összetettebbek, mint a korábban letöltött adathalmaz. Az adathalmazok gyakran többféle típusú funkciókkal rendelkeznek , például szöveg, numerikus és kategorikus. Az adathalmazok használatának nehézségeinek bemutatásához adjon hozzá két numerikus funkciót az adathalmazhoz: a véleményezés szószámát és a szó középhosszát:

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

Ha a kódtár használatával szeretné kiválasztani a pyspark legjobb LogisticRegression-osztályozót , az alábbi lépéseket kell végrehajtania:

  1. A funkciók feldolgozása
    • A szövegoszlop tokenizálása
    • Hasholja a tokenizált oszlopot egy vektorba hashelés használatával
    • A numerikus funkciók egyesítése a vektorral
  2. A címkeoszlop feldolgozásához az oszlopot a megfelelő típusba kell beszűkíteni
  3. Több LogisticRegression-algoritmus betanítása az train adathalmazon különböző hiperparaméterekkel
  4. Számítsa ki az ROC-görbe alatti területet minden betanított modell esetében, és válassza ki azt a modellt, amely az adathalmazon test kiszámított legmagasabb metrikát tartalmazza
  5. A legjobb modell kiértékelése a validation készleten
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

A synapseml beállítás egyszerűbb lépéseket tartalmaz:

  1. A TrainClassifier Becslő belsőleg featurizálja az adatokat, feltéve, hogy az train, test, validation adathalmazban kijelölt oszlopok a jellemzőket képviselik.

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

  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)
)

Kapcsolódó tartalom

  • Last updated on