Tugas klasifikasi menggunakan SynapseML

  • Artikel

Dalam artikel ini, Anda melakukan tugas klasifikasi yang sama dengan dua cara berbeda: sekali menggunakan biasa pyspark dan sekali menggunakan synapseml pustaka. Dua metode menghasilkan performa yang sama, tetapi menyoroti kesederhanaan penggunaan synapseml dibandingkan pysparkdengan .

Tugasnya adalah memprediksi apakah ulasan pelanggan tentang buku yang dijual di Amazon baik (peringkat > 3) atau buruk berdasarkan teks ulasan. Anda menyelesaikannya dengan melatih pelajar LogisticRegression dengan hiperparameter yang berbeda dan memilih model terbaik.

Prasyarat

Lampirkan buku catatan Anda ke lakehouse. Di sisi kiri, pilih Tambahkan untuk menambahkan lakehouse yang ada atau buat lakehouse.

Penyiapan

Impor pustaka Python yang diperlukan dan dapatkan sesi spark.

from pyspark.sql import SparkSession

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

Membaca data

Unduh dan baca dalam data.

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

Mengekstrak fitur dan memproses data

Data nyata lebih kompleks daripada himpunan data di atas. Umum bagi himpunan data untuk memiliki fitur dari beberapa jenis, seperti teks, numerik, dan kategoris. Untuk mengilustrasikan betapa sulitnya bekerja dengan himpunan data ini, tambahkan dua fitur numerik ke himpunan data: jumlah kata tinjauan dan panjang kata rata-rata.

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)

Mengklasifikasikan menggunakan pyspark

Untuk memilih pengklasifikasi LogisticRegression terbaik menggunakan pyspark pustaka, Anda perlu melakukan langkah-langkah berikut secara eksplisit:

  1. Proses fitur:
    • Tokenisasi kolom teks
    • Hash kolom yang ditokenisasi ke dalam vektor menggunakan hashing
    • Menggabungkan fitur numerik dengan vektor
  2. Memproses kolom label: mentransmisikannya ke dalam jenis yang tepat.
  3. Melatih beberapa algoritma LogisticRegression pada himpunan train data dengan hiperparameter yang berbeda
  4. Komputasi area di bawah kurva ROC untuk setiap model terlatih dan pilih model dengan metrik tertinggi sebagaimana dihitung pada himpunan test data
  5. Mengevaluasi model terbaik pada validation set
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))

Mengklasifikasikan menggunakan SynapseML

Langkah-langkah yang diperlukan dengan synapseml lebih sederhana:

  1. Estimator TrainClassifier menampilkan data secara internal, selama kolom yang dipilih di train, test, validation himpunan data mewakili fitur

  2. Estimator FindBestModel menemukan model terbaik dari kumpulan model terlatih dengan menemukan model yang berkinerja terbaik pada test himpunan data yang diberikan metrik yang ditentukan

  3. ComputeModelStatistics Transformer menghitung metrik yang berbeda pada himpunan data yang dinilai (dalam kasus kami, himpunan validation data) secara bersamaan

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)
)

Konten terkait