Spark log4j 配置

Spark的ml包提供了非常好用的调参功能，通过ParamGridBuilder构建待选参数（如：logistic regression的regParam），然后数据量小的时候可以用CrossValidator进行交叉验证，数据量大的时候可以直接用trainValidationSplit，这样Spark就会找到最佳的参数组合并训练模型。

千万不要小瞧这个功能，个人实际工作中的情况来看，logistic regression调整regParam参数，测试集的准确率可以从55%提升到83%（从质疑人生的意义到重新获得生活的希望）。但有个问题是CrossValidator和trainValidationSplit训练得到新model之后，你无从得知所使用最优的参数组合到底是什么，特别是1.6版本的TrainValidationSplitModel你甚至无法保存，这实在太不合理了，应该找时间去github上提个issue……

好在经过一番Google后，在老朋友StackOverflow上找到了解决方案：How to print best model params in Apache Spark Pipeline?

2015-10-21 12:57:33,831 [INFO org.apache.spark.ml.tuning.TrainValidationSplit] Best set of parameters: {
    hashingTF_79cf758f5ab1-numFeatures: 2000000, 
    nb_67d55ce4e1fc-smoothing: 1.0 
} 
2015-10-21 12:57:33,831 [INFO org.apache.spark.ml.tuning.TrainValidationSplit] Best train validation split metric: 0.7358721053749735.

就是在训练的过程中INFO级别的日志里是有最优参数结果的，因为Spark在console里默认的日志打印级别是INFO，所以大家应该经常看到一大长串日志，而最优参数就埋没在这些日志里了。因此，这里不得不好好了解一下log4j的配置方法了，这里直接上相关的log4j配置文件，然后再进行解释：

log4j.rootCategory=INFO, console 
log4j.appender.console=org.apache.log4j.ConsoleAppender 
log4j.appender.console.target=System.err 
log4j.appender.console.layout=org.apache.log4j.PatternLayout 
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n # spark trainValidationSplit Best set of parameters 
log4j.logger.org.apache.spark.ml.tuning.TrainValidationSplit=INFO, FILE 
log4j.additivity.org.apache.spark.ml.tuning.TrainValidationSplit=false log4j.appender.FILE=org.apache.log4j.FileAppender 
log4j.appender.FILE.file=/home/logos/spark/tuning.log 
log4j.appender.FILE.layout=org.apache.log4j.PatternLayout 
log4j.appender.FILE.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n

注：$SPARK_HOME/conf/目录下的log4j.properties文件将被Spark用作默认的log4j配置文件。

• log4j.rootCategory=INFO, console：这里是指定默认的级别为INFO，并且将日志打印在console这个appender里
• 以log4j.appender.console开头的都是console相关的配置，具体的意义可自行Google
• log4j.logger.org.apache.spark.ml.tuning.TrainValidationSplit=INFO, FILE这里是专门针对TrainValidationSplit这个类做定义，采用FILE这个appender
• log4j.additivity.org.apache.spark.ml.tuning.TrainValidationSplit=false代表不继承父Logger的appender
• log4j.appender.FILE开头的都是FILE相关的配置，如：指定日志输出的路径为/home/logos/spark/tuning.log

这样我们就可以打包好用于调参的spark jar包，然后让服务器在后台跑着程序，等着从日志文件里找到最优的参数组合了！  

转载请注明出处：http://logos.name/