共用方式為

使用 SynapseML 的分類工作

  • 發行項

在本文中，您會以兩種不同的方式執行相同的分類工作：一次使用純 pyspark，一次使用 synapseml 程式庫。 這兩種方法會產生相同的效能，但突出強調了相較於 pyspark，使用 synapseml 的簡單性。

這項工作是預測客戶對 Amazon 上銷售的書籍的評論是否良好 (評等 > 3) 或根據評論的文字為不佳。 您可以使用不同的超參數來訓練羅吉斯迴歸學習者，然後選擇最佳模型來完成此作業。

必要條件

將筆記本連結至 Lakehouse。 在左側，選取 [新增]，以新增現有的 Lakehouse 或建立 Lakehouse。

設定

匯入必要的 Python 程式庫並取得 Spark 工作階段。

from pyspark.sql import SparkSession

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

讀取資料

下載並讀取資料。

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

擷取特徵和處理資料

真實資料比上述資料集複雜。 資料集通常具有多種類型的功能，例如文字、數值和類別。 為了說明使用這些資料集有多困難，請將兩個數值特徵新增至資料集：檢閱的字數和平均字長度。

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)

使用 pyspark 分類

若要使用 pyspark 程式庫選擇最佳的羅吉斯迴歸分類器，您需要明確地執行下列步驟：

  1. 處理特徵：
    • 標記化文字資料行
    • 使用雜湊將 Token 化資料行雜湊為向量
    • 將數值特徵與向量合併
  2. 處理標籤資料行：將期轉換成適當的類型。
  3. 使用不同超參數在 train 資料集上訓練多個羅吉斯迴歸演算法
  4. 計算每個經過訓練的模型的 ROC 曲線下的區域，並選取在資料集上計算的最高計量的 test 模型
  5. 評估 validation 集上的最佳模型
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))

使用 SynapseML 分類

所需的 synapseml 步驟更簡單：

  1. TrainClassifier 估算器會在內部將資料特徵化，只要 train、test、validation 資料集中選取的資料行代表特徵

  2. FindBestModel 估算器會從經過訓練的模型的集區中尋找最佳模型，方法是尋找在特定計量指定的 test 資料集上執行效能最佳的模型

  3. ComputeModelStatistics 轉換器會在評分的資料集上同時計算不同的計量 (在我們的案例中為 validation 資料集)

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)
)

相關內容