Spark快速获得CrossValidator的最佳模型参数

Spark提供了便利的Pipeline模型，可以轻松的创建自己的学习模型。

但是大部分模型都是需要提供参数的，如果不提供就是默认参数，那么怎么选择参数就是一个比较常见的问题。Spark提供在org.apache.spark.ml.tuning包下提供了模型选择器，可以替换参数然后比较模型输出。

目前有CrossValidator和TrainValidationSplit两种，比如一个文本情感预测模型。

Pipeline只有三步，第一步切词，第二步HashingTF，第三步NB分类

Pipeline pipeline = new Pipeline()
                .setStages(new PipelineStage[]{tokenizer, hashingTF, naiveBayes});

ParamMap[] paramMaps = new ParamGridBuilder()
                .addGrid(hashingTF.numFeatures(), new int[]{10000, 100000, 500000, 1000000})
                .build();
CrossValidator cv = new CrossValidator()
                .setEstimator(pipeline)
                .setEvaluator(new BinaryClassificationEvaluator())
                .setEstimatorParamMaps(paramMaps);

其中HashingTF的参数选择非常重要，我们这里就随便尝试几种，然后放在CrossValidator中去。

最后我们会获得一个CrossValidatorModel类，这里有两种选择。

第一种是自己手动获取其中的参数，因为bestModel的参数就是我们最后选择的参数

Pipeline bestPipeline = (Pipeline) model.bestModel().parent();
PipelineStage stage = bestPipeline.getStages()[1];
stage.extractParamMap().get(stage.getParam("numFeatures"));

这种方法可以获得值，但是需要根据你模型情况修改获取的位置。

如果你只是想知道最佳参数是多少，并不是需要在上下文中使用，那还有一个更简单的方法。

修改log4j的配置，添加

log4j.logger.org.apache.spark.ml.tuning.TrainValidationSplit=INFO
log4j.logger.org.apache.spark.ml.tuning.CrossValidator=INFO

效果如下：