PySpark和MLLib：随机森林预测的类概率

Question

我正在尝试提取我使用PySpark训练的随机森林对象的类概率。但是，我没有在文档中的任何地方看到它的示例，也不是RandomForestModel的方法。

如何从PySpark中的RandomForestModel分类器中提取类概率？

以下是文档中提供的示例代码，它仅提供最终类（而不是概率）：

from pyspark.mllib.tree import RandomForest
from pyspark.mllib.util import MLUtils

# Load and parse the data file into an RDD of LabeledPoint.
data = MLUtils.loadLibSVMFile(sc, 'data/mllib/sample_libsvm_data.txt')
# Split the data into training and test sets (30% held out for testing)
(trainingData, testData) = data.randomSplit([0.7, 0.3])

# Train a RandomForest model.
#  Empty categoricalFeaturesInfo indicates all features are continuous.
#  Note: Use larger numTrees in practice.
#  Setting featureSubsetStrategy="auto" lets the algorithm choose.
model = RandomForest.trainClassifier(trainingData, numClasses=2, categoricalFeaturesInfo={},
                                     numTrees=3, featureSubsetStrategy="auto",
                                     impurity='gini', maxDepth=4, maxBins=32)

# Evaluate model on test instances and compute test error
predictions = model.predict(testData.map(lambda x: x.features)) 

我没有看到任何model.predict_proba()方法 - 我该怎么办？

Answer 1

据我所知，当前版本（1.2.1）不支持此功能。本机Scala代码（tree.py）上的Python包装器仅定义“预测”函数，而这些函数又调用相应的Scala对应函数（treeEnsembleModels.scala）。后者通过在二元决策中进行投票来做出决策。更清晰的解决方案是提供概率预测，该预测可以任意阈值化或用于ROC计算，如sklearn。应该为将来的版本添加此功能！

作为一种解决方法，我将predict_proba实现为纯Python函数（参见下面的示例）。它既不优雅也不高效，因为它在森林中的一组个体决策树上运行循环。诀窍 - 或者说是一个肮脏的黑客 - 是访问Java决策树模型的数组并将它们转换为Python对应物。之后，您可以计算整个数据集中的单个模型的预测，并使用“zip”在RDD中累积它们的总和。除以树的数量得到期望的结果。对于大型数据集，主节点中的少量决策树上的循环应该是可接受的。

由于将Python集成到Spark（在Java中运行）的困难，下面的代码相当棘手。应该非常小心，不要将任何复杂的数据发送到工作节点，这会因序列化问题导致崩溃。没有引用Spark上下文的代码可以在工作节点上运行。此外，不能序列化任何引用任何Java代码的代码。例如，在下面的代码中使用len（树）而不是ntree可能很诱人 - 砰！在Java / Scala中编写这样的包装器可以更加优雅，例如通过在工作节​​点上的决策树上运行循环，从而降低通信成本。

下面的测试函数表明predict_proba给出了与原始示例中使用的预测相同的测试错误。

def predict_proba(rf_model, data):
   '''
   This wrapper overcomes the "binary" nature of predictions in the native
   RandomForestModel. 
   '''

    # Collect the individual decision tree models by calling the underlying
    # Java model. These are returned as JavaArray defined by py4j.
    trees = rf_model._java_model.trees()
    ntrees = rf_model.numTrees()
    scores = DecisionTreeModel(trees[0]).predict(data.map(lambda x: x.features))

    # For each decision tree, apply its prediction to the entire dataset and
    # accumulate the results using 'zip'.
    for i in range(1,ntrees):
        dtm = DecisionTreeModel(trees[i])
        scores = scores.zip(dtm.predict(data.map(lambda x: x.features)))
        scores = scores.map(lambda x: x[0] + x[1])

    # Divide the accumulated scores over the number of trees
    return scores.map(lambda x: x/ntrees)

def testError(lap):
    testErr = lap.filter(lambda (v, p): v != p).count() / float(testData.count())
    print('Test Error = ' + str(testErr))


def testClassification(trainingData, testData):

    model = RandomForest.trainClassifier(trainingData, numClasses=2,
                                         categoricalFeaturesInfo={},
                                         numTrees=50, maxDepth=30)

    # Compute test error by thresholding probabilistic predictions
    threshold = 0.5
    scores = predict_proba(model,testData)
    pred = scores.map(lambda x: 0 if x < threshold else 1)
    lab_pred = testData.map(lambda lp: lp.label).zip(pred)
    testError(lab_pred)

    # Compute test error by comparing binary predictions
    predictions = model.predict(testData.map(lambda x: x.features))
    labelsAndPredictions = testData.map(lambda lp: lp.label).zip(predictions)
    testError(labelsAndPredictions)

总而言之，这是学习Spark的好习惯！

Answer 2

现在可以使用了。

Spark ML提供：

• 包含预测标签的predictionCol
• 和一个probabilityCol，其中包含一个带有每个标签概率的向量，这就是你在寻找的地方！
• 您还可以访问原始计数

有关更多详细信息，请参阅Spark文档：http://spark.apache.org/docs/latest/ml-classification-regression.html#output-columns-predictions

Answer 3

但是，它可以与Spark 1.5.0和新的Spark-ML API一起使用。

Answer 4

可能人们会继续这篇文章，但是当我试图计算多级分类器对训练集的准确性时，我遇到了同样的问题。所以我想如果有人尝试使用mllib，我会分享我的经验......

概率可以很容易地计算如下： -

# say you have a testset against which you want to run your classifier
   (trainingset, testset) =data.randomSplit([0.7, 0.3])
   # I converted the spark dataset containing the test data to pandas
     ptd=testData.toPandas()

   #Now get a count of number of labels matching the predictions

   correct = ((ptd.label-1) == (predictions)).sum() 
   # here we had to change the labels from 0-9 as opposed to 1-10 since
   #labels take the values from 0 .. numClasses-1

   m=ptd.shape[0]
   print((correct/m)*100)