zoukankan      html  css  js  c++  java
  • 【Spark机器学习速成宝典】模型篇03线性回归【LR】(Python版)

    目录

      线性回归原理

      线性回归代码(Spark Python)


    线性回归原理

       详见博文:http://www.cnblogs.com/itmorn/p/7873083.html 

     返回目录

    线性回归代码(Spark Python) 

      

      代码里数据:https://pan.baidu.com/s/1jHWKG4I 密码:acq1

    # -*-coding=utf-8 -*-  
    from pyspark import SparkConf, SparkContext
    sc = SparkContext('local')
    
    from pyspark.mllib.regression import LabeledPoint, LinearRegressionWithSGD, LinearRegressionModel
    
    # Load and parse the data 加载和解析数据,将每一个数转化为浮点数。每一行第一个数作为标记,后面的作为特征
    def parsePoint(line):
        values = [float(x) for x in line.replace(',', ' ').split(' ')]
        return LabeledPoint(values[0], values[1:])
    
    data = sc.textFile("data/mllib/ridge-data/lpsa.data")
    print data.collect()[0] #-0.4307829,-1.63735562648104 -2.00621178480549 -1.86242597251066 -1.024....-0.864466507337306
    parsedData = data.map(parsePoint)
    print parsedData.collect()[0] #(-0.4307829,[-1.63735562648,-2.00621178481,-1.86242597251,-1.024....,-0.864466507337])
    
    # Build the model 建立模型
    model = LinearRegressionWithSGD.train(parsedData, iterations=1000, step=0.1)
    
    # Evaluate the model on training data 评估模型在训练集上的误差
    valuesAndPreds = parsedData.map(lambda p: (p.label, model.predict(p.features)))
    MSE = valuesAndPreds 
        .map(lambda vp: (vp[0] - vp[1])**2) 
        .reduce(lambda x, y: x + y) / valuesAndPreds.count()
    print("Mean Squared Error = " + str(MSE)) #Mean Squared Error = 6.32693963099
    
    # Save and load model 保存模型和加载模型
    model.save(sc, "pythonLinearRegressionWithSGDModel")
    sameModel = LinearRegressionModel.load(sc, "pythonLinearRegressionWithSGDModel")
    print sameModel.predict(parsedData.collect()[0].features) #-1.86583391312

     返回目录

  • 相关阅读:
    序列化注意事项
    HTML5的新结构标签
    MVC模型
    CSS选择器权重计算规则
    HTML常用布局
    盒模型
    Spring Security 学习笔记-session并发控制
    java实例之随机点名
    java之方法重载
    java之方法
  • 原文地址:https://www.cnblogs.com/itmorn/p/8023396.html
Copyright © 2011-2022 走看看