本文主要是介绍Spark Mllib之集成算法:梯度提升树和随机森林,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
微信公众号:数据挖掘与分析学习
集成算法是将其他基础模型进行组合的一中算法。spark.mllib支持两种主要的集成算法:GradientBoostedTrees和RandomForest。 两者都使用决策树作为基础模型。
1.梯度提升树和随机森林
Gradient-Boosted Trees(GBTs)和Random Forest都是用于学习树集成的算法,但训练过程是不同的。 有几个实际的权衡点:
- GBT一次训练一棵树,因此它们比随机森林需要更长时间的训练。 随机森林可以并行训练多棵树。
另一方面,使用具有GBT训练较小(较浅)树比使用随机森林更有优势,并且训练较小树需要的时间更短。
- 随机森林可能不太容易过度拟合。在随机森林中训练更多树可以降低过拟合的可能性,但是使用GBT训练更多树会增加过拟合的可能性。(在统计语言中,随机森林通过使用更多树来减少方差,而GBT通过使用更多树来减少偏差。)
- 随机森林更容易调整,因为性能随树数量增加而改善(对于GBT来说,如果树木数量增长太大,性能可能会开始降低)。
简而言之,两种算法都很有效,并且应基于特定数据集来选择合适的算法。
2 随机森林
随机森林是以决策树作为基础模型的集成算法。随机森林是机器学习模型中用于分类和回归的最成功的模型之一。通过组合大量的决策树来降低过拟合的风险。与决策树一样,随机森林处理分类特征,扩展到多类分类设置,不需要特征缩放,并且能够捕获非线性和特征交互。
spark.mllib支持使用连续和分类特征的二分类和多类分类以及回归的随机森林。spark.mllib使用现有的决策树实现随机森林。
2.1 基本算法
随机森林分别训练一组决策树,因此训练可以并行完成。该算法将随机性注入训练过程,以使每个决策树略有不同。结合每棵树的预测可以减少预测的方差,提高测试数据的性能。
1)训练
注入训练过程的随机性包括:
- 在每次迭代时对原始数据集进行二次采样,以获得不同的训练集(例如,bootstrapping)。
- 考虑在每个树节点处分割的不同随机特征子集。
除了这些随机化之外,决策树训练的方式与单个决策树的方式相同。
2)预测
要对新实例进行预测,随机森林必须整合各个决策树的预测。对于分类和回归,这种整合的方式不同。
分类:多数票原则。 每棵树的预测都算作一个类的投票。预计该标签是获得最多选票的类别。
回归:平均。 每棵树预测一个真实的值。 预测标签是各个树预测的平均值。
2.2 用法提示
我们通过讨论各种参数总结一些使用随机森林的指南。
我们提到的前两个参数是最重要的,调整它们通常可以提高性能:
- numTrees:森林中的树数量。
1)增加树的数量将减少预测的方差,从而提高模型的测试准确性。
2)训练时间大致呈线性增加。
- maxDepth:森林中每棵树的最大深度。
1)增加深度使模型更具表现力和更强大。 然而,深树需要更长的时间进行训练,而且更容易过度拟合。
2)通常,在使用更深的树来训练随机森林比使用单个决策树时更深的树更好。一棵树比随机森林更容易过度拟合(因为森林中多棵树的平均值减少了差异)。
接下来的两个参数通常不需要调整。 但是,他们可以调整以加快训练。
- subsamplingRate:此参数指定用于训练随机森林中每棵树的数据集的大小,作为原始数据集大小的一部分。建议使用默认值(1.0),但减少此分数可以加快训练速度。
- featureSubsetStrategy:用作每个树节点处的分割候选的特征数。该数字被指定为特征总数的占比或函数。减少这个数字会加快训练速度,但如果太低,有时会影响性能。
2.3 代码示例
1)分类
下面的示例演示如何加载LIBSVM数据文件,将其解析为LabeledPoint的RDD,然后使用随机森林执行分类。 计算测试误差以测量算法精度。
package com.cb.spark.mllib;
import java.util.HashMap; import java.util.Map;
import javax.swing.plaf.basic.BasicInternalFrameTitlePane.SystemMenuBar;
import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.mllib.regression.LabeledPoint; import org.apache.spark.mllib.tree.RandomForest; import org.apache.spark.mllib.tree.model.RandomForestModel; import org.apache.spark.mllib.util.MLUtils;
import scala.Tuple2;
public class JavaRandomForestClassificationExample { public static void main(String[] args) { SparkConf sparkConf = new SparkConf().setAppName("JavaRandomForestClassificationExample").setMaster("local"); JavaSparkContext jsc = new JavaSparkContext(sparkConf);
// 加载数据 String path = "F:\\Learning\\java\\project\\LearningSpark\\src\\main\\resources\\sample_libsvm_data.txt"; JavaRDD<LabeledPoint> data = MLUtils.loadLibSVMFile(jsc.sc(), path).toJavaRDD();
// 将数据集划分为训练数据和测试数据 JavaRDD<LabeledPoint>[] splits = data.randomSplit(new double[] { 0.7, 0.3 }); JavaRDD<LabeledPoint> training = splits[0]; JavaRDD<LabeledPoint> testData = splits[1];
// 随机森林模型训练 Integer numClasses = 2; Map<Integer, Integer> categoricalFeaturesInfo = new HashMap<>(); Integer numTrees = 3; // 树的数量 String featureSubsetStrategy = "auto"; // 算法自动选择 String impurity = "gini"; Integer maxDepth = 5; Integer maxBins = 32; Integer seed = 12345; RandomForestModel model = RandomForest.trainClassifier(training, numClasses, categoricalFeaturesInfo, numTrees, featureSubsetStrategy, impurity, maxDepth, maxBins, seed); JavaPairRDD<Double, Double> predictionAndLabel = testData .mapToPair(p -> new Tuple2<>(model.predict(p.features()), p.label())); double testErr = predictionAndLabel.filter(pl -> !pl._1.equals(pl._2())).count() / (double) testData.count(); System.out.println("Test err:" + testErr); System.out.println(model.toDebugString()); } }
|
2)回归
下面的示例演示了如何加载LIBSVM数据文件,将其解析为LabeledPoint的RDD,然后使用随机森林执行回归。 最后计算均方误差(MSE)以评估拟合优度。
package com.cb.spark.mllib;
import java.util.HashMap; import java.util.Map;
import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.mllib.regression.LabeledPoint; import org.apache.spark.mllib.tree.RandomForest; import org.apache.spark.mllib.tree.model.RandomForestModel; import org.apache.spark.mllib.util.MLUtils;
import scala.Tuple2;
public class JavaRandomForestRegressionExample { public static void main(String[] args) { SparkConf sparkConf = new SparkConf().setAppName("JavaRandomForestClassificationExample").setMaster("local"); JavaSparkContext jsc = new JavaSparkContext(sparkConf);
// 加载数据 String path = "F:\\Learning\\java\\project\\LearningSpark\\src\\main\\resources\\sample_libsvm_data.txt"; JavaRDD<LabeledPoint> data = MLUtils.loadLibSVMFile(jsc.sc(), path).toJavaRDD();
// 将数据集划分为训练数据和测试数据 JavaRDD<LabeledPoint>[] splits = data.randomSplit(new double[] { 0.7, 0.3 }); JavaRDD<LabeledPoint> training = splits[0]; JavaRDD<LabeledPoint> testData = splits[1];
// 随机森林模型训练 Integer numClasses = 2; Map<Integer, Integer> categoricalFeaturesInfo = new HashMap<>(); Integer numTrees = 3; // 树的数量 String featureSubsetStrategy = "auto"; // 算法自动选择 String impurity = "variance"; Integer maxDepth = 4; Integer maxBins = 32; Integer seed = 12345;
RandomForestModel model = RandomForest.trainRegressor(training, categoricalFeaturesInfo, numTrees, featureSubsetStrategy, impurity, maxDepth, maxBins, seed); JavaPairRDD<Double, Double> predictionAndLabel = testData .mapToPair(p -> new Tuple2<>(model.predict(p.features()), p.label())); double testMSE = predictionAndLabel.mapToDouble(pl -> { double diff = pl._1() - pl._2(); return diff * diff; }).mean(); System.out.println("均方误差:"+testMSE); } }
|
3.梯度提升树
梯度提升树(GBT)是决策树的集成算法。GBT迭代地训练决策树以最小化损失函数。与决策树一样,GBT处理分类特征,扩展到多类分类设置,不需要特征缩放,并且能够捕获非线性和特征交互。
spark.mllib支持使用连续和分类特征进行二分类和回归的GBT。spark.mllib使用现有的决策树实现来实现GBT。注意:GBT尚不支持多类分类。 对于多类问题,请使用决策树或随机森林。
3.1 基本算法
梯度提升迭代地训练一系列决策树。在每次迭代时,算法使用当前集合来预测每个训练实例的标签,然后将预测与真实标签进行比较。重新标记数据集以更加重视预测较差的训练实例。因此,在下一次迭代中,决策树将帮助纠正先前的错误。
重新标记实例的具体机制由损失函数定义(下面讨论)。 每次迭代,GBT进一步减少训练数据的这种损失函数。
- 损失
下表列出了spark.mllib中GBT当前支持的损失。 请注意,每种损失都适用于分类或回归。
注意:N=实例数。 yi =实例i的标签。 xi=实例i的特征。 F(xi)=模型的预测标签。
3.2 用法提示
我们通过讨论各种参数总结了一些使用GBT的指南。
- loss:根据数据集的不同,不同的损失会产生明显不同的结果。
- numIterations:设置集成中树的数量。每次迭代都会生成一棵树。 增加此数字可使模型更具表现力,从而提高训练数据的准确性。 但是,如果测试时间过长,则测试时精度可能会受到影响。
- learningRate:不需要调整此参数。 如果算法行为看起来不稳定,则降低此值可以提高稳定性。
- algo:使用树[策略]参数设置算法或任务(分类与回归)。
3.3 训练时验证
当训练更多的树时,梯度提升会过拟合。 为了防止过拟合,在训练时进行验证很有用。提供了runWithValidation方法以使用此选项。它需要一对RDD作为参数,第一个是训练数据集,第二个是验证数据集。
当验证误差的改进不超过某个容差(由BoostingStrategy中的validationTol参数提供)时,将停止训练。实际上,验证误差最初会降低,之后会增加。可能存在验证误差不会单调变化的情况,建议用户设置足够大的负容差并使用evaluateEachIteration(每次迭代给出误差或损失)检查验证曲线以调整迭代次数。
1)分类
下面的示例演示了如何加载LIBSVM数据文件,将其解析为LabeledPoint的RDD,然后使用具有日志丢失的Gradient-Boosted树执行分类。 计算测试误差以测量算法精度。
package com.cb.spark.mllib;
import java.util.HashMap; import java.util.Map;
import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.mllib.regression.LabeledPoint; import org.apache.spark.mllib.tree.GradientBoostedTrees; import org.apache.spark.mllib.tree.configuration.BoostingStrategy; import org.apache.spark.mllib.tree.model.GradientBoostedTreesModel; import org.apache.spark.mllib.util.MLUtils;
import scala.Tuple2;
public class JavaGradientBoostingClassificationExample { public static void main(String[] args) { SparkConf sparkConf = new SparkConf().setAppName("JavaRandomForestClassificationExample").setMaster("local"); JavaSparkContext jsc = new JavaSparkContext(sparkConf);
// 加载数据 String path = "F:\\Learning\\java\\project\\LearningSpark\\src\\main\\resources\\sample_libsvm_data.txt"; JavaRDD<LabeledPoint> data = MLUtils.loadLibSVMFile(jsc.sc(), path).toJavaRDD();
// 将数据集划分为训练数据和测试数据 JavaRDD<LabeledPoint>[] splits = data.randomSplit(new double[] { 0.7, 0.3 }); JavaRDD<LabeledPoint> training = splits[0]; JavaRDD<LabeledPoint> testData = splits[1];
BoostingStrategy boostingStrategy = BoostingStrategy.defaultParams("Classification"); boostingStrategy.setNumIterations(3); boostingStrategy.getTreeStrategy().setNumClasses(2); boostingStrategy.getTreeStrategy().setMaxDepth(5); Map<Integer, Integer> categoricalFeaturesInfo = new HashMap<>(); boostingStrategy.treeStrategy().setCategoricalFeaturesInfo(categoricalFeaturesInfo); GradientBoostedTreesModel model = GradientBoostedTrees.train(training, boostingStrategy);
JavaPairRDD<Double, Double> predictionAndLabel = testData .mapToPair(p -> new Tuple2<>(model.predict(p.features()), p.label())); double testErr = predictionAndLabel.filter(pl -> !pl.equals(pl._2())).count() / (double) testData.count(); System.out.println("Test Err:" + testErr); System.out.println(model.toDebugString()); } }
|
2)回归
下面的示例演示了如何加载LIBSVM数据文件,将其解析为LabeledPoint的RDD,然后使用带有平方误差的梯度提升作为损失执行回归。 最后计算均方误差(MSE)以评估拟合优度。
package com.cb.spark.mllib;
import java.util.HashMap; import java.util.Map;
import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.mllib.regression.LabeledPoint; import org.apache.spark.mllib.tree.GradientBoostedTrees; import org.apache.spark.mllib.tree.configuration.BoostingStrategy; import org.apache.spark.mllib.tree.model.GradientBoostedTreesModel; import org.apache.spark.mllib.util.MLUtils;
import scala.Tuple2;
public class JavaGradientBoostingRegressionExample { public static void main(String[] args) { SparkConf sparkConf = new SparkConf().setAppName("JavaRandomForestClassificationExample").setMaster("local"); JavaSparkContext jsc = new JavaSparkContext(sparkConf);
// 加载数据 String path = "F:\\Learning\\java\\project\\LearningSpark\\src\\main\\resources\\sample_libsvm_data.txt"; JavaRDD<LabeledPoint> data = MLUtils.loadLibSVMFile(jsc.sc(), path).toJavaRDD();
// 将数据集划分为训练数据和测试数据 JavaRDD<LabeledPoint>[] splits = data.randomSplit(new double[] { 0.7, 0.3 }); JavaRDD<LabeledPoint> training = splits[0]; JavaRDD<LabeledPoint> testData = splits[1];
BoostingStrategy boostingStrategy = BoostingStrategy.defaultParams("Regression"); boostingStrategy.setNumIterations(3); boostingStrategy.getTreeStrategy().setMaxDepth(5); Map<Integer, Integer> categoricalFeaturesInfo = new HashMap<>(); boostingStrategy.treeStrategy().setCategoricalFeaturesInfo(categoricalFeaturesInfo); GradientBoostedTreesModel model = GradientBoostedTrees.train(training, boostingStrategy); JavaPairRDD<Double, Double> predictionAndLabel = testData .mapToPair(p -> new Tuple2<>(model.predict(p.features()), p.label()));
double testMSE=predictionAndLabel.mapToDouble(pl -> { double diff=pl._1()-pl._2(); return diff*diff; }).mean(); System.out.println("测试均方误差为:"+testMSE); } }
|
这篇关于Spark Mllib之集成算法:梯度提升树和随机森林的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!