Spark2 Linear Regression线性回归案例(参数调优)

 回归正则化方法（Lasso，Ridge和ElasticNet）在高维和数据集变量之间多重共线性情况下运行良好。

 

数学上，ElasticNet被定义为L1和L2正则化项的凸组合：



通过适当设置α，ElasticNet包含L1和L2正则化作为特殊情况。例如，如果用参数α设置为1来训练线性回归模型，则其等价于Lasso模型。另一方面，如果α
被设置为0，则训练的模型简化为ridge回归模型。 

RegParam:lambda>=0
ElasticNetParam:alpha in [0, 1]




导入包


import org.apache.spark.sql.SparkSession import org.apache.spark.sql.Dataset
import org.apache.spark.sql.Row import org.apache.spark.sql.DataFrame import 
org.apache.spark.sql.Column import org.apache.spark.sql.DataFrameReader import 
org.apache.spark.rdd.RDD import 
org.apache.spark.sql.catalyst.encoders.ExpressionEncoder import 
org.apache.spark.sql.Encoder import org.apache.spark.sql.DataFrameStatFunctions
import org.apache.spark.sql.functions._   import 
org.apache.spark.ml.linalg.Vectors import 
org.apache.spark.ml.feature.VectorAssembler import 
org.apache.spark.ml.evaluation.RegressionEvaluator import 
org.apache.spark.ml.regression.LinearRegression
导入样本数据



 
// Population人口, // Income收入水平, // Illiteracy文盲率, // LifeExp, // Murder谋杀率, //
HSGrad, // Frost结霜天数(温度在冰点以下的平均天数) , // Area州面积     val spark = 
SparkSession.builder().appName("Spark Linear Regression").config(
"spark.some.config.option", "some-value").getOrCreate()       // For implicit
conversions like converting RDDs to DataFrames     import spark.implicits._  
    val dataList: List[(Double, Double, Double, Double, Double, Double, Double,
Double)] = List(       (3615, 3624, 2.1, 69.05, 15.1, 41.3, 20, 50708),       (
365, 6315, 1.5, 69.31, 11.3, 66.7, 152, 566432),       (2212, 4530, 1.8, 70.55, 
7.8, 58.1, 15, 113417),       (2110, 3378, 1.9, 70.66, 10.1, 39.9, 65, 51945),
      (21198, 5114, 1.1, 71.71, 10.3, 62.6, 20, 156361),       (2541, 4884, 0.7
, 72.06, 6.8, 63.9, 166, 103766),       (3100, 5348, 1.1, 72.48, 3.1, 56, 139, 
4862),       (579, 4809, 0.9, 70.06, 6.2, 54.6, 103, 1982),       (8277, 4815, 
1.3, 70.66, 10.7, 52.6, 11, 54090),       (4931, 4091, 2, 68.54, 13.9, 40.6, 60
, 58073),       (868, 4963, 1.9, 73.6, 6.2, 61.9, 0, 6425),       (813, 4119, 
0.6, 71.87, 5.3, 59.5, 126, 82677),       (11197, 5107, 0.9, 70.14, 10.3, 52.6, 
127, 55748),       (5313, 4458, 0.7, 70.88, 7.1, 52.9, 122, 36097),       (2861
, 4628, 0.5, 72.56, 2.3, 59, 140, 55941),       (2280, 4669, 0.6, 72.58, 4.5, 
59.9, 114, 81787),       (3387, 3712, 1.6, 70.1, 10.6, 38.5, 95, 39650),       (
3806, 3545, 2.8, 68.76, 13.2, 42.2, 12, 44930),       (1058, 3694, 0.7, 70.39, 
2.7, 54.7, 161, 30920),       (4122, 5299, 0.9, 70.22, 8.5, 52.3, 101, 9891),
      (5814, 4755, 1.1, 71.83, 3.3, 58.5, 103, 7826),       (9111, 4751, 0.9, 
70.63, 11.1, 52.8, 125, 56817),       (3921, 4675, 0.6, 72.96, 2.3, 57.6, 160, 
79289),       (2341, 3098, 2.4, 68.09, 12.5, 41, 50, 47296),       (4767, 4254, 
0.8, 70.69, 9.3, 48.8, 108, 68995),       (746, 4347, 0.6, 70.56, 5, 59.2, 155, 
145587),       (1544, 4508, 0.6, 72.6, 2.9, 59.3, 139, 76483),       (590, 5149
, 0.5, 69.03, 11.5, 65.2, 188, 109889),       (812, 4281, 0.7, 71.23, 3.3, 57.6
, 174, 9027),       (7333, 5237, 1.1, 70.93, 5.2, 52.5, 115, 7521),       (1144
, 3601, 2.2, 70.32, 9.7, 55.2, 120, 121412),       (18076, 4903, 1.4, 70.55, 
10.9, 52.7, 82, 47831),       (5441, 3875, 1.8, 69.21, 11.1, 38.5, 80, 48798),
      (637, 5087, 0.8, 72.78, 1.4, 50.3, 186, 69273),       (10735, 4561, 0.8, 
70.82, 7.4, 53.2, 124, 40975),       (2715, 3983, 1.1, 71.42, 6.4, 51.6, 82, 
68782),       (2284, 4660, 0.6, 72.13, 4.2, 60, 44, 96184),       (11860, 4449, 
1, 70.43, 6.1, 50.2, 126, 44966),       (931, 4558, 1.3, 71.9, 2.4, 46.4, 127, 
1049),       (2816, 3635, 2.3, 67.96, 11.6, 37.8, 65, 30225),       (681, 4167, 
0.5, 72.08, 1.7, 53.3, 172, 75955),       (4173, 3821, 1.7, 70.11, 11, 41.8, 70
, 41328),       (12237, 4188, 2.2, 70.9, 12.2, 47.4, 35, 262134),       (1203, 
4022, 0.6, 72.9, 4.5, 67.3, 137, 82096),       (472, 3907, 0.6, 71.64, 5.5, 57.1
, 168, 9267),       (4981, 4701, 1.4, 70.08, 9.5, 47.8, 85, 39780),       (3559
, 4864, 0.6, 71.72, 4.3, 63.5, 32, 66570),       (1799, 3617, 1.4, 69.48, 6.7, 
41.6, 100, 24070),       (4589, 4468, 0.7, 72.48, 3, 54.5, 149, 54464),       (
376, 4566, 0.6, 70.29, 6.9, 62.9, 173, 97203))       val data = dataList.toDF(
"Population", "Income", "Illiteracy", "LifeExp", "Murder", "HSGrad", "Frost", 
"Area")



建立线性回归模型


 
val colArray = Array("Population", "Income", "Illiteracy", "LifeExp", "HSGrad"
, "Frost", "Area")   val assembler = new 
VectorAssembler().setInputCols(colArray).setOutputCol("features")   val vecDF: 
DataFrame = assembler.transform(data)   // 建立模型，预测谋杀率Murder // 设置线性回归参数 val lr1
 = new LinearRegression() val lr2 = lr1.setFeaturesCol("features").setLabelCol(
"Murder").setFitIntercept(true) // RegParam：正则化 val lr3 = lr2.setMaxIter(10
).setRegParam(0.3).setElasticNetParam(0.8) val lr = lr3   // Fit the model val 
lrModel = lr.fit(vecDF)   // 输出模型全部参数 lrModel.extractParamMap() // Print the
coefficients and intercept for linear regression println(s"Coefficients:
${lrModel.coefficients} Intercept: ${lrModel.intercept}")   val predictions = 
lrModel.transform(vecDF) predictions.selectExpr("Murder", "round(prediction,1)
as prediction").show   // Summarize the model over the training set and print
out some metrics val trainingSummary = lrModel.summary println(s"numIterations:
${trainingSummary.totalIterations}") println(s"objectiveHistory:
${trainingSummary.objectiveHistory.toList}") trainingSummary.residuals.show()
println(s"RMSE: ${trainingSummary.rootMeanSquaredError}") println(s"r2:
${trainingSummary.r2}")



代码执行结果


 
// 输出模型全部参数 lrModel.extractParamMap() res15: 
org.apache.spark.ml.param.ParamMap = {     linReg_2ba28140e39a-elasticNetParam: 
0.8,     linReg_2ba28140e39a-featuresCol: features,     linReg_2ba28140e39
a-fitIntercept: true,     linReg_2ba28140e39a-labelCol: Murder,     linReg_2ba
28140e39a-maxIter: 10,     linReg_2ba28140e39a-predictionCol: prediction,     
linReg_2ba28140e39a-regParam: 0.3,     linReg_2ba28140e39a-solver: auto,     
linReg_2ba28140e39a-standardization: true,     linReg_2ba28140e39a-tol: 1.0E-6 }
  // Print the coefficients and intercept for linear regression println(s
"Coefficients: ${lrModel.coefficients} Intercept: ${lrModel.intercept}")
Coefficients: [1.36662199778084E-4,0.0,1.1834384307116244,-1.4580829641757522,
0.0,-0.010686434270049252,4.051355050528196E-6] Intercept: 109.589659881471  
val predictions = lrModel.transform(vecDF) predictions: 
org.apache.spark.sql.DataFrame = [Population: double, Income: double ... 8 more
fields]   predictions.selectExpr("Murder", "round(prediction,1) as prediction"
).show +------+----------+ |Murder|prediction| +------+----------+ |  15.1
|      11.9| |  11.3|      11.0| |   7.8|       9.5| |  10.1|       8.6| |  10.3
|       9.6| |   6.8|       4.3| |   3.1|       4.2| |   6.2|       7.5| |  10.7
|       9.3| |  13.9|      12.3| |   6.2|       4.7| |   5.3|       4.6| |  10.3
|       8.8| |   7.1|       6.6| |   2.3|       3.5| |   4.5|       3.9| |  10.6
|       8.9| |  13.2|      13.2| |   2.7|       6.3| |   8.5|       7.8|
+------+----------+ only showing top 20 rows   // Summarize the model over the
training set and print out some metrics val trainingSummary = lrModel.summary
trainingSummary: org.apache.spark.ml.regression.LinearRegressionTrainingSummary 
= org.apache.spark.ml.regression.LinearRegressionTrainingSummary@68a83d76  
println(s"numIterations: ${trainingSummary.totalIterations}") numIterations: 11
  println(s"objectiveHistory: ${trainingSummary.objectiveHistory.toList}")
objectiveHistory: List(0.49000000000000016, 0.3919242806809093, 
0.19908078426904946, 0.1901453492751914, 0.17981874256031405, 
0.17878173084286247, 0.1787617816935607, 0.17875431854661641, 0.1
7874702637141196, 0.17874512271568685, 0.1787449876896829)
trainingSummary.residuals.show() +--------------------+ |           residuals|
+--------------------+ |  3.2200068116713023| |  0.2745518816306607| | -
1.6535887417767414| |   1.485762696757325| |  0.6509766532389172| |   
2.457688146554534| | -1.0675250558261182| | -1.2879164685248439| |  
1.3672723619868314| |  1.6125000289597242| |   1.532060517905248| |  
0.6931301635074645| |  1.5163001982000175| | 0.46227066807431605| | -
1.2044058248740273| |  0.6032541157521649| |     1.7201545753635| |-
0.01942937427384...| |  -3.632947522687547| |  0.7077675962948007|
+--------------------+ only showing top 20 rows   println(s"RMSE:
${trainingSummary.rootMeanSquaredError}") RMSE: 1.6663615527314546   println(s
"r2: ${trainingSummary.r2}") r2: 0.7920794990832152



模型调优，用Train-Validation Split


 
val colArray = Array("Population", "Income", "Illiteracy", "LifeExp", "HSGrad"
, "Frost", "Area")   val vecDF: DataFrame = new 
VectorAssembler().setInputCols(colArray).setOutputCol("features"
).transform(data)   val Array(trainingDF, testDF) = vecDF.randomSplit(Array(0.9
, 0.1), seed = 12345)   // 建立模型，预测谋杀率Murder，设置线性回归参数 val lr = new 
LinearRegression().setFeaturesCol("features").setLabelCol("Murder"
).fit(trainingDF)   // 设置管道 val pipeline = new Pipeline().setStages(Array(lr))
  // 建立参数网格 val paramGrid = new 
ParamGridBuilder().addGrid(lr.fitIntercept).addGrid(lr.elasticNetParam, Array(
0.0, 0.5, 1.0)).addGrid(lr.maxIter, Array(10, 100)).build()   //
选择(prediction, true label)，计算测试误差。 //
注意RegEvaluator.isLargerBetter，评估的度量值是大的好，还是小的好，系统会自动识别 val RegEvaluator = new 
RegressionEvaluator().setLabelCol(lr.getLabelCol).setPredictionCol(lr.getPredictionCol).setMetricName(
"rmse")   val trainValidationSplit = new 
TrainValidationSplit().setEstimator(pipeline).setEvaluator(RegEvaluator).setEstimatorParamMaps(paramGrid).setTrainRatio(
0.8) // 数据分割比例   // Run train validation split, and choose the best set of
parameters. val tvModel = trainValidationSplit.fit(trainingDF)   // 查看模型全部参数
tvModel.extractParamMap()   tvModel.getEstimatorParamMaps.length
tvModel.getEstimatorParamMaps.foreach { println } // 参数组合的集合  
tvModel.getEvaluator.extractParamMap() // 评估的参数  
tvModel.getEvaluator.isLargerBetter // 评估的度量值是大的好，还是小的好   tvModel.getTrainRatio
  // 用最好的参数组合，做出预测 tvModel.transform(testDF).select("features", "Murder", 
"prediction").show()



调优代码执行结果


 
// 查看模型全部参数 tvModel.extractParamMap() res45: 
org.apache.spark.ml.param.ParamMap = {     tvs_5de7d3dd1977-estimator: pipeline_
062a1dffe557,     tvs_5de7d3dd1977-estimatorParamMaps: 
[Lorg.apache.spark.ml.param.ParamMap;@60298de1,     tvs_5de7d3dd1977-evaluator: 
regEval_05204824acb9,     tvs_5de7d3dd1977-seed: -1772833110,     tvs_5de7d3dd
1977-trainRatio: 0.8 }   tvModel.getEstimatorParamMaps.length res46: Int = 12
  tvModel.getEstimatorParamMaps.foreach { println } // 参数组合的集合 {     linReg_
75628a5554b4-elasticNetParam: 0.0,     linReg_75628a5554b4-fitIntercept: true,
    linReg_75628a5554b4-maxIter: 10 } {     linReg_75628a5554b4-elasticNetParam:
 0.0,     linReg_75628a5554b4-fitIntercept: true,     linReg_75628a5554b4
-maxIter: 100 } {     linReg_75628a5554b4-elasticNetParam: 0.0,     linReg_75628
a5554b4-fitIntercept: false,     linReg_75628a5554b4-maxIter: 10 } {     linReg_
75628a5554b4-elasticNetParam: 0.0,     linReg_75628a5554b4-fitIntercept: false,
    linReg_75628a5554b4-maxIter: 100 } {     linReg_75628a5554b4-elasticNetParam
: 0.5,     linReg_75628a5554b4-fitIntercept: true,     linReg_75628a5554b4
-maxIter: 10 } {     linReg_75628a5554b4-elasticNetParam: 0.5,     linReg_75628a
5554b4-fitIntercept: true,     linReg_75628a5554b4-maxIter: 100 } {     linReg_
75628a5554b4-elasticNetParam: 0.5,     linReg_75628a5554b4-fitIntercept: false,
    linReg_75628a5554b4-maxIter: 10 } {     linReg_75628a5554b4-elasticNetParam:
 0.5,     linReg_75628a5554b4-fitIntercept: false,     linReg_75628a5554b4
-maxIter: 100 } {     linReg_75628a5554b4-elasticNetParam: 1.0,     linReg_75628
a5554b4-fitIntercept: true,     linReg_75628a5554b4-maxIter: 10 } {     linReg_
75628a5554b4-elasticNetParam: 1.0,     linReg_75628a5554b4-fitIntercept: true,
    linReg_75628a5554b4-maxIter: 100 } {     linReg_75628a5554b4-elasticNetParam
: 1.0,     linReg_75628a5554b4-fitIntercept: false,     linReg_75628a5554b4
-maxIter: 10 } {     linReg_75628a5554b4-elasticNetParam: 1.0,     linReg_75628a
5554b4-fitIntercept: false,     linReg_75628a5554b4-maxIter: 100 }  
tvModel.getEvaluator.extractParamMap() // 评估的参数 res48: 
org.apache.spark.ml.param.ParamMap = {     regEval_05204824acb9-labelCol: 
Murder,     regEval_05204824acb9-metricName: rmse,     regEval_05204824acb9
-predictionCol: prediction }   tvModel.getEvaluator.isLargerBetter //
评估的度量值是大的好，还是小的好 res49: Boolean = false   tvModel.getTrainRatio res50: Double =
 0.8   tvModel.transform(testDF).select("features", "Murder", "prediction"
).show() +--------------------+------+------------------+ |           
features|Murder|        prediction|
+--------------------+------+------------------+ |[1058.0,3694.0,0....|   2.7| 
6.917232043935343| |[2341.0,3098.0,2....|  12.5|14.760329005533478| |[472.0,
3907.0,0.6...|   5.5| 4.182074651181182| |[812.0,4281.0,0.7...|   3.3| 
4.915905572667441| |[2816.0,3635.0,2....|  11.6|14.219231061596304| |[4589.0,
4468.0,0....|   3.0| 3.483554528704758|
+--------------------+------+------------------+

• « 上一篇：拦截浏览器后退的两种方式
• » 下一篇：JanusGraph -- 存储结构