Scala 如何在没有StringIndexer的情况下在Spark ML中进行二进制分类
我尝试在没有StringIndexer的管道中使用Spark ML DecisionTreeClassier,因为我的特性已经被索引为(0.0;1.0)。DecisionTreeClassifier as label需要双值,因此此代码应该可以工作:Scala 如何在没有StringIndexer的情况下在Spark ML中进行二进制分类,scala,apache-spark,classification,apache-spark-sql,apache-spark-ml,Scala,Apache Spark,Classification,Apache Spark Sql,Apache Spark Ml,我尝试在没有StringIndexer的管道中使用Spark ML DecisionTreeClassier,因为我的特性已经被索引为(0.0;1.0)。DecisionTreeClassifier as label需要双值,因此此代码应该可以工作: def trainDecisionTreeModel(training: RDD[LabeledPoint], sqlc: SQLContext): Unit = { import sqlc.implicits._ val training
def trainDecisionTreeModel(training: RDD[LabeledPoint], sqlc: SQLContext): Unit = {
import sqlc.implicits._
val trainingDF = training.toDF()
//format of this dataframe: [label: double, features: vector]
val featureIndexer = new VectorIndexer()
.setInputCol("features")
.setOutputCol("indexedFeatures")
.setMaxCategories(4)
.fit(trainingDF)
val dt = new DecisionTreeClassifier()
.setLabelCol("label")
.setFeaturesCol("indexedFeatures")
val pipeline = new Pipeline()
.setStages(Array(featureIndexer, dt))
pipeline.fit(trainingDF)
}
但事实上我明白了
java.lang.IllegalArgumentException:
DecisionTreeClassifier was given input with invalid label column label,
without the number of classes specified. See StringIndexer.
当然,我可以只放置StringIndexer,让他为我的双“标签”字段工作,但我想使用DecisionTreeClassifier的output rawPrediction列,以获得每行0.0和1.0的概率,如
val predictions = model.transform(singletonDF)
val zeroProbability = predictions.select("rawPrediction").asInstanceOf[Vector](0)
val oneProbability = predictions.select("rawPrediction").asInstanceOf[Vector](1)
若我将StringIndexer放入管道中,我将不知道rawPrediction向量中输入标签“0.0”和“1.0”的索引,因为字符串索引器将按值的频率进行索引,频率可能会有所不同
请在不使用StringIndexer的情况下帮助准备DecisionTreeClassifier的数据,或建议其他方法获取每行原始标签的概率(0.0;1.0)。您始终可以手动设置所需的元数据:
import sqlContext.implicits._
import org.apache.spark.ml.attribute.NominalAttribute
val meta = NominalAttribute
.defaultAttr
.withName("label")
.withValues("0.0", "1.0")
.toMetadata
val dfWithMeta = df.withColumn("label", $"label".as("label", meta))
pipeline.fit(dfWithMeta)
您始终可以手动设置所需的元数据:
import sqlContext.implicits._
import org.apache.spark.ml.attribute.NominalAttribute
val meta = NominalAttribute
.defaultAttr
.withName("label")
.withValues("0.0", "1.0")
.toMetadata
val dfWithMeta = df.withColumn("label", $"label".as("label", meta))
pipeline.fit(dfWithMeta)