Udostępnij za pośrednictwem

Samouczek: analizowanie danych za pomocą funkcji glm

  • Artykuł

Dowiedz się, jak wykonywać regresję liniową i logistyczną przy użyciu uogólnionego modelu liniowego (GLM, generalized linear model) w usłudze Azure Databricks. glm pasuje do uogólnionego modelu liniowego, podobnie jak w przypadku języka glm()R.

Składnia: glm(formula, data, family...)

Parametry:

  • formula: Symboliczny opis modelu, który ma być dopasowany, na przykład: ResponseVariable ~ Predictor1 + Predictor2. Obsługiwane operatory: ~, +, -i .
  • data: Dowolna ramka SparkDataFrame
  • family: ciąg, "gaussian" w przypadku regresji liniowej lub "binomial" regresji logistycznej
  • lambda: Parametr liczbowy, regularyzacji
  • alpha: Parametr mieszania liczbowy, elastyczny-net

Dane wyjściowe: MLlib PipelineModel

W tym samouczku przedstawiono sposób wykonywania regresji liniowej i logistycznej w zestawie danych diamentów.

Ładowanie danych dotyczących diamentów i dzielenie ich na zestaw danych treningowych oraz zestaw danych testowych

require(SparkR)

# Read diamonds.csv dataset as SparkDataFrame
diamonds <- read.df("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv",
                  source = "com.databricks.spark.csv", header="true", inferSchema = "true")
diamonds <- withColumnRenamed(diamonds, "", "rowID")

# Split data into Training set and Test set
trainingData <- sample(diamonds, FALSE, 0.7)
testData <- except(diamonds, trainingData)

# Exclude rowIDs
trainingData <- trainingData[, -1]
testData <- testData[, -1]

print(count(diamonds))
print(count(trainingData))
print(count(testData))

head(trainingData)

Trenowanie modelu regresji liniowej przy użyciu glm()

W tej sekcji pokazano, jak przewidzieć cenę diamentu na podstawie jego funkcji, szkoląc model regresji liniowej przy użyciu danych treningowych.

Istnieje mieszanka cech kategorii (cut - Ideal, Premium, Very Good...) i funkcji ciągłych (głębokość, karat). Usługa SparkR automatycznie koduje te funkcje, aby nie trzeba było kodować tych funkcji ręcznie.

# Family = "gaussian" to train a linear regression model
lrModel <- glm(price ~ ., data = trainingData, family = "gaussian")

# Print a summary of the trained model
summary(lrModel)

Użyj predict() danych testowych, aby zobaczyć, jak dobrze działa model na nowych danych.

Składnia: predict(model, newData)

Parametry:

  • model: model MLlib
  • newData: SparkDataFrame, zazwyczaj zestaw testów

Wyjście: SparkDataFrame

# Generate predictions using the trained model
predictions <- predict(lrModel, newData = testData)

# View predictions against mpg column
display(select(predictions, "price", "prediction"))

Oceń model.

errors <- select(predictions, predictions$price, predictions$prediction, alias(predictions$price - predictions$prediction, "error"))
display(errors)

# Calculate RMSE
head(select(errors, alias(sqrt(sum(errors$error^2 , na.rm = TRUE) / nrow(errors)), "RMSE")))

Trenowanie modelu regresji logistycznej przy użyciu glm()

W tej sekcji pokazano, jak utworzyć regresję logistyczną na tym samym zestawie danych, aby przewidzieć cięcie diamentu na podstawie niektórych jego funkcji.

Regresja logistyczna w MLlib obsługuje klasyfikację binarną. Aby przetestować algorytm w tym przykładzie, podzbiór danych do pracy z dwiema etykietami.

# Subset data to include rows where diamond cut = "Premium" or diamond cut = "Very Good"
trainingDataSub <- subset(trainingData, trainingData$cut %in% c("Premium", "Very Good"))
testDataSub <- subset(testData, testData$cut %in% c("Premium", "Very Good"))

# Family = "binomial" to train a logistic regression model
logrModel <- glm(cut ~ price + color + clarity + depth, data = trainingDataSub, family = "binomial")

# Print summary of the trained model
summary(logrModel)

# Generate predictions using the trained model
predictionsLogR <- predict(logrModel, newData = testDataSub)

# View predictions against label column
display(select(predictionsLogR, "label", "prediction"))

Oceń model.

errorsLogR <- select(predictionsLogR, predictionsLogR$label, predictionsLogR$prediction, alias(abs(predictionsLogR$label - predictionsLogR$prediction), "error"))
display(errorsLogR)