快捷導(dǎo)航

pyspark 隨機(jī)森林的實(shí)現(xiàn)

更新時(shí)間：2020年04月24日 14:41:57 作者：陽(yáng)望

這篇文章主要介紹了pyspark 隨機(jī)森林的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

隨機(jī)森林是由許多決策樹(shù)構(gòu)成，是一種有監(jiān)督機(jī)器學(xué)習(xí)方法，可以用于分類和回歸，通過(guò)合并匯總來(lái)自個(gè)體決策樹(shù)的結(jié)果來(lái)進(jìn)行預(yù)測(cè)，采用多數(shù)選票作為分類結(jié)果，采用預(yù)測(cè)結(jié)果平均值作為回歸結(jié)果。

“森林”的概念很好理解，“隨機(jī)”是針對(duì)森林中的每一顆決策樹(shù)，有兩種含義：第一種隨機(jī)是數(shù)據(jù)采樣隨機(jī)，構(gòu)建決策樹(shù)的訓(xùn)練數(shù)據(jù)集通過(guò)有放回的隨機(jī)采樣，并且只會(huì)選擇一定百分比的樣本，這樣可以在數(shù)據(jù)集合存在噪聲點(diǎn)、異常點(diǎn)的情況下，有些決策樹(shù)的構(gòu)造過(guò)程中不會(huì)選擇到這些噪聲點(diǎn)、異常點(diǎn)從而達(dá)到一定的泛化作用在一定程度上抑制過(guò)擬合；第二種隨機(jī)是特征隨機(jī)，訓(xùn)練集會(huì)包含一系列特征，隨機(jī)選擇一部分特征進(jìn)行決策樹(shù)的構(gòu)建。通過(guò)這些差異點(diǎn)來(lái)訓(xùn)練的每一顆決策樹(shù)都會(huì)學(xué)習(xí)輸入與輸出的關(guān)系，隨機(jī)森林的強(qiáng)大之處也就在于此。

廢話不多說(shuō)，直接上代碼：

from pyspark import SparkConf
from pyspark.sql import SparkSession
from pyspark.ml.linalg import Vectors
from pyspark.ml.feature import StringIndexer
from pyspark.ml.classification import RandomForestClassifier
from pyspark.sql import Row
import pandas as pd
from sklearn import metrics
 
if __name__ == "__main__":
  appname = "RandomForestClassifier"
  master ="local[4]" 
  conf = SparkConf().setAppName(appname).setMaster(master) #spark配置        
  spark=SparkSession.builder.config(conf=conf).getOrCreate()#spark實(shí)例化
  
#讀取數(shù)據(jù)
  data=spark.read.csv('良惡性乳腺癌數(shù)據(jù).csv',header=True)
  
#構(gòu)造訓(xùn)練數(shù)據(jù)集
  dataSet = data.na.fill('0').rdd.map(list)#用0填充空值  
  trainData, testData= dataSet.randomSplit([0.7, 0.3], seed=7)
  trainingSet = trainData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF()  
  train_num = trainingSet.count()
  print("訓(xùn)練樣本數(shù):{}".format(train_num))
 
   
#使用隨機(jī)森林進(jìn)行訓(xùn)練
  stringIndexer = StringIndexer(inputCol="label", outputCol="indexed")
  si_model = stringIndexer.fit(trainingSet)
  train_tf = si_model.transform(trainingSet)
  train_tf.show(5)  
  rf = RandomForestClassifier(numTrees=100, labelCol="indexed", seed=7)
  rfModel = rf.fit(train_tf)
   
#輸出模型特征重要性、子樹(shù)權(quán)重
  print("模型特征重要性:{}".format(rfModel.featureImportances))
  print("模型特征數(shù):{}".format(rfModel.numFeatures))
  
#預(yù)測(cè)測(cè)試集
  testSet = testData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF()
  test_num=testSet.count()
  print("測(cè)試樣本數(shù):{}".format(test_num))  
  si_model = stringIndexer.fit(testSet)
  test_tf = si_model.transform(testSet)  
  predictResult = rfModel.transform(test_tf)
  predictResult.show(5)
  spark.stop()
 
#將預(yù)測(cè)結(jié)果轉(zhuǎn)為python中的dataframe
  columns=predictResult.columns#提取強(qiáng)表字段
  predictResult=predictResult.take(test_num)#
  predictResult=pd.DataFrame(predictResult,columns=columns)#轉(zhuǎn)為python中的dataframe
 
#性能評(píng)估
  y=list(predictResult['indexed'])
  y_pred=list(predictResult['prediction'])
  y_predprob=[x[1] for x in list(predictResult['probability'])]
  precision_score=metrics.precision_score(y, y_pred)#精確率
  recall_score=metrics.recall_score(y, y_pred)#召回率
  accuracy_score=metrics.accuracy_score(y, y_pred)#準(zhǔn)確率
  f1_score=metrics.f1_score(y, y_pred)#F1分?jǐn)?shù)
  auc_score=metrics.roc_auc_score(y, y_predprob)#auc分?jǐn)?shù)
  print("精確率:",precision_score )#精確率
  print("召回率:",recall_score )#召回率
  print("準(zhǔn)確率:",accuracy_score )#準(zhǔn)確率
  print("F1分?jǐn)?shù):", f1_score)#F1分?jǐn)?shù)
  print("auc分?jǐn)?shù):",auc_score )#auc分?jǐn)?shù)

運(yùn)行結(jié)果：