您好,登錄后才能下訂單哦!
小編這次要給大家分享的是pyspark如何實現隨機森林,文章內容豐富,感興趣的小伙伴可以來了解一下,希望大家閱讀完這篇文章之后能夠有所收獲。
隨機森林是由許多決策樹構成,是一種有監督機器學習方法,可以用于分類和回歸,通過合并匯總來自個體決策樹的結果來進行預測,采用多數選票作為分類結果,采用預測結果平均值作為回歸結果。
“森林”的概念很好理解,“隨機”是針對森林中的每一顆決策樹,有兩種含義:第一種隨機是數據采樣隨機,構建決策樹的訓練數據集通過有放回的隨機采樣,并且只會選擇一定百分比的樣本,這樣可以在數據集合存在噪聲點、異常點的情況下,有些決策樹的構造過程中不會選擇到這些噪聲點、異常點從而達到一定的泛化作用在一定程度上抑制過擬合;第二種隨機是特征隨機,訓練集會包含一系列特征,隨機選擇一部分特征進行決策樹的構建。通過這些差異點來訓練的每一顆決策樹都會學習輸入與輸出的關系,隨機森林的強大之處也就在于此。
廢話不多說,直接上代碼:
from pyspark import SparkConf from pyspark.sql import SparkSession from pyspark.ml.linalg import Vectors from pyspark.ml.feature import StringIndexer from pyspark.ml.classification import RandomForestClassifier from pyspark.sql import Row import pandas as pd from sklearn import metrics if __name__ == "__main__": appname = "RandomForestClassifier" master ="local[4]" conf = SparkConf().setAppName(appname).setMaster(master) #spark配置 spark=SparkSession.builder.config(conf=conf).getOrCreate()#spark實例化 #讀取數據 data=spark.read.csv('良惡性乳腺癌數據.csv',header=True) #構造訓練數據集 dataSet = data.na.fill('0').rdd.map(list)#用0填充空值 trainData, testData= dataSet.randomSplit([0.7, 0.3], seed=7) trainingSet = trainData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF() train_num = trainingSet.count() print("訓練樣本數:{}".format(train_num)) #使用隨機森林進行訓練 stringIndexer = StringIndexer(inputCol="label", outputCol="indexed") si_model = stringIndexer.fit(trainingSet) train_tf = si_model.transform(trainingSet) train_tf.show(5) rf = RandomForestClassifier(numTrees=100, labelCol="indexed", seed=7) rfModel = rf.fit(train_tf) #輸出模型特征重要性、子樹權重 print("模型特征重要性:{}".format(rfModel.featureImportances)) print("模型特征數:{}".format(rfModel.numFeatures)) #預測測試集 testSet = testData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF() test_num=testSet.count() print("測試樣本數:{}".format(test_num)) si_model = stringIndexer.fit(testSet) test_tf = si_model.transform(testSet) predictResult = rfModel.transform(test_tf) predictResult.show(5) spark.stop() #將預測結果轉為python中的dataframe columns=predictResult.columns#提取強表字段 predictResult=predictResult.take(test_num)# predictResult=pd.DataFrame(predictResult,columns=columns)#轉為python中的dataframe #性能評估 y=list(predictResult['indexed']) y_pred=list(predictResult['prediction']) y_predprob=[x[1] for x in list(predictResult['probability'])] precision_score=metrics.precision_score(y, y_pred)#精確率 recall_score=metrics.recall_score(y, y_pred)#召回率 accuracy_score=metrics.accuracy_score(y, y_pred)#準確率 f1_score=metrics.f1_score(y, y_pred)#F1分數 auc_score=metrics.roc_auc_score(y, y_predprob)#auc分數 print("精確率:",precision_score )#精確率 print("召回率:",recall_score )#召回率 print("準確率:",accuracy_score )#準確率 print("F1分數:", f1_score)#F1分數 print("auc分數:",auc_score )#auc分數
運行結果:
看完這篇關于pyspark如何實現隨機森林的文章,如果覺得文章內容寫得不錯的話,可以把它分享出去給更多人看到。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。