Scala Spark ML管道引发随机林分类的异常:列标签必须是DoubleType类型,但实际上是IntegerType
我试图用随机森林分类器创建一个Spark ML管道来执行分类(而不是回归),但我得到一个错误,即我的训练集中预测的标签应该是双精度而不是整数。我按照这些页面中的说明进行操作:Scala Spark ML管道引发随机林分类的异常:列标签必须是DoubleType类型,但实际上是IntegerType,scala,apache-spark,apache-spark-ml,Scala,Apache Spark,Apache Spark Ml,我试图用随机森林分类器创建一个Spark ML管道来执行分类(而不是回归),但我得到一个错误,即我的训练集中预测的标签应该是双精度而不是整数。我按照这些页面中的说明进行操作: “”(apache.org) “”(stack overflow.com) “” (sparktutorials.net) 我有一个包含以下列的Spark数据框: scala> df.show(5) +-------+----------+----------+---------+-----+ | userId|
- “”(apache.org)
- “”(stack overflow.com)
- “” (sparktutorials.net)
scala> df.show(5)
+-------+----------+----------+---------+-----+
| userId|duration60|duration30|duration1|label|
+-------+----------+----------+---------+-----+
|user000| 11| 21| 35| 3|
|user001| 28| 41| 28| 4|
|user002| 17| 6| 8| 2|
|user003| 39| 29| 0| 1|
|user004| 26| 23| 25| 3|
+-------+----------+----------+---------+-----+
scala> df.printSchema()
root
|-- userId: string (nullable = true)
|-- duration60: integer (nullable = true)
|-- duration30: integer (nullable = true)
|-- duration1: integer (nullable = true)
|-- label: integer (nullable = true)
我使用功能列duration60、duration30和duration1来预测分类列标签
然后我设置了Spark脚本,如下所示:
import org.apache.log4j.Logger
import org.apache.log4j.Level
import org.apache.spark.sql.SQLContext
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.classification.{RandomForestClassificationModel, RandomForestClassifier}
import org.apache.spark.ml.{Pipeline, PipelineModel}
Logger.getLogger("org").setLevel(Level.ERROR)
Logger.getLogger("akka").setLevel(Level.ERROR)
val sqlContext = new SQLContext(sc)
val df = sqlContext.read.
format("com.databricks.spark.csv").
option("header", "true"). // Use first line of all files as header
option("inferSchema", "true"). // Automatically infer data types
load("/tmp/features.csv").
withColumnRenamed("satisfaction", "label").
select("userId", "duration60", "duration30", "duration1", "label")
val assembler = new VectorAssembler().
setInputCols(Array("duration60", "duration30", "duration1")).
setOutputCol("features")
val randomForest = new RandomForestClassifier().
setLabelCol("label").
setFeaturesCol("features").
setNumTrees(10)
var pipeline = new Pipeline().setStages(Array(assembler, randomForest))
var model = pipeline.fit(df);
转换后的数据帧如下所示:
scala> assembler.transform(df).show(5)
+-------+----------+----------+---------+-----+----------------+
| userId|duration60|duration30|duration1|label| features|
+-------+----------+----------+---------+-----+----------------+
|user000| 11| 21| 35| 3|[11.0,21.0,35.0]|
|user001| 28| 41| 28| 4|[28.0,41.0,28.0]|
|user002| 17| 6| 8| 2| [17.0,6.0,8.0]|
|user003| 39| 29| 0| 1| [39.0,29.0,0.0]|
|user004| 26| 23| 25| 3|[26.0,23.0,25.0]|
+-------+----------+----------+---------+-----+----------------+
但是,最后一行抛出一个异常:
java.lang.IllegalArgumentException:需求失败:列标签
必须是DoubleType类型,但实际上是IntegerType
这意味着什么?我该如何修复它
为什么
标签
列需要是双精度的?我在做预测,而不是回归,所以我认为字符串或整数是合适的。预测列的双精度值通常意味着回归。执行转换双精度类型,因为这是算法所期望的类型
import org.apache.spark.sql.types._
df.withColumn("label", 'label cast DoubleType)
因此,在应用程序中的val df
之前,在序列的最后一行执行强制转换:
import org.apache.spark.sql.types._
val df = sqlContext.read.
format("com.databricks.spark.csv").
option("header", "true"). // Use first line of all files as header
option("inferSchema", "true"). // Automatically infer data types
load("/tmp/features.csv").
withColumnRenamed("satisfaction", "label").
select("userId", "duration60", "duration30", "duration1", "label")
.withColumn("label", 'label cast DoubleType) // <-- HERE
import org.apache.spark.sql.types_
val df=sqlContext.read。
格式(“com.databricks.spark.csv”)。
选项(“标题”、“正确”)。//使用所有文件的第一行作为标题
选项(“推断模式”、“真”)。//自动推断数据类型
加载(“/tmp/features.csv”)。
重新命名为(“满意”、“标签”)。
选择(“userId”、“duration60”、“duration30”、“duration1”、“label”)
.pyspark中的列(“标签”,“标签转换双类型)//
from pyspark.sql.types import DoubleType
df = df.withColumn("label", df.label.cast(DoubleType()))
如果您正在使用pyspark并面临相同的问题
from pyspark.ml.feature import StringIndexer
stringIndexer = StringIndexer(inputCol="label", outputCol="newlabel")
model = stringIndexer.fit(df)
df = model.transform(df)
df.printSchema()
这是将标签列转换为“double”类型的一种方法。谢谢。现在我得到一个错误:RandomForestClassifier的输入带有无效的标签列标签,没有指定类的数量。请参阅StringIndexer。
这是什么意思?如果我做分类,为什么标签应该是双重的?通常连续因变量用于回归,而不是分类。@stackoverflowuser2010手动铸造的列缺少ML估计器工作所需的元数据。您必须手动添加此项。例如,我投了反对票,因为你的答案有误导性(其他方法似乎不起作用。
)。当您有数字标签时,其他答案也会起作用!对不起,我的错误,因此对其进行了相应的编辑。谢谢你指出这仍然不准确。您可能需要指出的是,如果您有非数字标签,StringIndexer会将它们转换为所需的格式,而这不是强制转换