zoukankan      html  css  js  c++  java
  • Spark2 Model selection and tuning 模型选择与调优

    Model selection模型选择

      ML中的一个重要任务是模型选择,或使用数据为给定任务找到最佳的模型或参数。 这也称为调优。 可以对诸如Logistic回归的单独Estimators进行调整,或者对包括多个算法,特征和其他步骤的整个Pipeline进行调整。 用户可以一次调整整个Pipeline,而不必单独调整Pipeline中的每个元素。

    MLlib支持使用CrossValidator和TrainValidationSplit等工具进行模型选择。这些工具需要以下items:
        Estimator:要调整的algorithm or Pipeline
        Set of ParamMaps:可以选择的参数,有时称为“parameter grid”
        Evaluator:衡量拟合模型对测试数据支持的有多好

    在高级别,这些模型选择工具的工作如下:

        将输入数据分成单独的训练和测试数据集。
        对于每个(训练,测试)对,遍历ParamMap的集合:
            对于每个ParamMap,它们使用这些参数拟合Estimator,获得拟合的Model,并使用Evaluator评估Model的性能。
        选择由性能最佳的参数集合生成的模型。

      Evaluator可以是用于回归问题的RegressionEvaluator,用于二进制数据的BinaryClassificationEvaluator,用于多类问题的MulticlassClassificationEvaluator。每个evaluator中的“setMetricName方法”是一个用于选择最佳ParamMap的默认度量。

    为了帮助构造parameter grid,用户可以使用ParamGridBuilder实用程序。

    Cross-Validation交叉验证
      CrossValidator开始于将数据集分割为一组folds,用作单独的训练和测试数据集。 例如,k = 3 folds,CrossValidator将生成3个“数据集对(训练,测试)”,其中每个数据集使用2/3的数据进行训练和1/3的测试。 为了评估特定的ParamMap,通过在3个不同“数据集对”上拟合Estimator,CrossValidator为3个Models计算平均评估度量。

      在识别最好的ParamMap后,CrossValidator最终使用最好的ParamMap和整个数据集重新匹配Estimator。

      注意,在parameters grid上的CrossValidator是非常耗费资源。 然而,它也是用于选择参数的好的公认的方法,比启发式手动调优在统计上更好。

    Train-Validation Split

      除了CrossValidator,Spark还提供TrainValidationSplit用于超参数调优。 TrainValidationSplit只评估“每个参数的组合”一次,而不是在CrossValidator的情况下k次。 因此,TrainValidationSplit耗费的资源比CrossValidator少一些,但是当训练数据集不够大时,不会产生可靠的结果。

      与CrossValidator不同,TrainValidationSplit创建一个“数据集对(训练,测试)”。 它使用trainRatio参数将数据集拆分为这两个部分。 例如,trainRatio = 0.75

    ,TrainValidationSplit将生成训练和测试数据集对,其中75%的数据用于训练,25%用于验证。

      像CrossValidator,TrainValidationSplit最终使用最好的ParamMap和整个dataset拟合Estimator。

  • 相关阅读:
    string类
    拓扑排序 图
    麦森数,高精度快速幂
    排列
    牛客练习赛28 B 数据结构
    牛客练习赛27 C-水图
    组合数
    树状数组
    k短路模板+例题
    Supreme Number(找规律,打表)
  • 原文地址:https://www.cnblogs.com/wwxbi/p/6210199.html
Copyright © 2011-2022 走看看