Классификация — до и после SynapseML

  • Статья

Предварительные требования

  • Вложите записную книжку в lakehouse. В левой части щелкните Добавить , чтобы добавить существующий lakehouse или создать lakehouse.

Введение

В этом руководстве мы выполняем одну и ту же задачу классификации двумя разными способами: один раз с использованием обычного pyspark приложения и один раз с использованием библиотеки synapseml . Два метода дают одинаковую производительность, но одна из двух библиотек значительно проще в использовании и итерации (вы можете угадать, какая из них?).

Задача проста: спрогнозировать, является ли отзыв пользователя книги, проданной на Amazon, хорошим (рейтинг > 3) или плохим на основе текста отзыва. Мы достигаем этого, обучая учащихся LogisticRegression с различными гиперпараметровами и выбирая оптимальную модель.

from pyspark.sql import SparkSession

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

Чтение данных

Мы скачиваем и читаем данные.

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

Извлечение дополнительных функций и обработка данных

Однако реальные данные являются более сложными, чем приведенный выше набор данных. Обычно набор данных имеет признаки нескольких типов: текстовые, числовые, категориальные. Чтобы проиллюстрировать сложность работы с этими наборами данных, мы добавим в набор данных два числовых признака: количество слов в рецензируемом и средняя длина слов.

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)

Классификация с помощью pyspark

Чтобы выбрать лучший классификатор LogisticRegression с помощью библиотеки pyspark , необходимо явно выполнить следующие действия:

  1. Обработайте компоненты:
    • Разметка текстового столбца
    • Хэширование маркеризованного столбца в вектор с помощью хэширования
    • Объединение числовых признаков с вектором
  2. Обработайте столбец меток: приведите его к соответствующему типу.
  3. Обучение нескольких алгоритмов LogisticRegression в наборе train данных с разными гиперпараметровами
  4. Вычислите область под кривой ROC для каждой обученной модели и выберите модель с самой высокой метрикой, вычисленной в наборе test данных.
  5. Оценка оптимальной модели в наборе validation

Как вы можете видеть, есть много работы и много шагов, где что-то может пойти не так!

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))

Классификация с помощью synapseml

Жизнь намного проще при использовании synapseml!

  1. Оценщик TrainClassifier внутренне определяет данные, если столбцы, выбранные в наборе trainданных , test, validation представляют признаки.

  2. Оценщик FindBestModel находит лучшую модель из пула обученных моделей путем поиска модели, которая лучше всего работает в наборе test данных с учетом указанной метрики.

  3. Преобразователь ComputeModelStatistics одновременно вычисляет различные метрики для оцененного набора данных (в нашем случае validation — набора данных).

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)
)

Дальнейшие действия