如何从 PySpark MultilayerPerceptronClassifier 获取分类概率？

Question

我在 python 中使用 Spark 2.0.1，我的数据集在 DataFrame 中，所以我使用 ML（不是 MLLib）库进行机器学习。 我有一个多层感知器分类器，我只有两个标签。

我的问题是，是否不仅可以获得标签，还可以获得（或仅）该标签的概率？不仅像每个输入的 0 或 1，而且像 0.95 和 0.05 的 0 和 1。 如果这在 MLP 中是不可能的，但在其他分类器中是可能的，我可以更改分类器。我只使用了 MLP，因为我知道它们应该能够返回概率，但我在 PySpark 中找不到。

我发现了一个类似的话题， How to get classification probabilities from MultilayerPerceptronClassifier? 但他们使用 Java，他们建议的解决方案在 python 中不起作用。

谢谢

Answer 1

确实，从 2.0 版开始，Spark ML 中的 MLP 似乎不提供分类概率；尽管如此，还有许多其他分类器这样做，即Logistic Regression、Naive Bayes、Decision Tree 和Random Forest。这是第一个和最后一个的简短示例：

from pyspark.ml.classification import LogisticRegression, RandomForestClassifier
from pyspark.ml.linalg import Vectors
from pyspark.sql import Row
df = sqlContext.createDataFrame([
     (0.0, Vectors.dense(0.0, 1.0)),
     (1.0, Vectors.dense(1.0, 0.0))], 
     ["label", "features"])
df.show()
# +-----+---------+ 
# |label| features| 
# +-----+---------+ 
# | 0.0 |[0.0,1.0]| 
# | 1.0 |[1.0,0.0]| 
# +-----+---------+

lr = LogisticRegression(maxIter=5, regParam=0.01, labelCol="label")
lr_model = lr.fit(df)

rf = RandomForestClassifier(numTrees=3, maxDepth=2, labelCol="label", seed=42)
rf_model = rf.fit(df)

# test data:
test = sc.parallelize([Row(features=Vectors.dense(0.2, 0.5)),
                       Row(features=Vectors.dense(0.5, 0.2))]).toDF()

lr_result = lr_model.transform(test)
lr_result.show()
# +---------+--------------------+--------------------+----------+
# | features|       rawPrediction|         probability|prediction|
# +---------+--------------------+--------------------+----------+
# |[0.2,0.5]|[0.98941878916476...|[0.72897310704261...|       0.0|
# |[0.5,0.2]|[-0.9894187891647...|[0.27102689295738...|       1.0|  
# +---------+--------------------+--------------------+----------+

rf_result = rf_model.transform(test)
rf_result.show()
# +---------+-------------+--------------------+----------+ 
# | features|rawPrediction|         probability|prediction| 
# +---------+-------------+--------------------+----------+ 
# |[0.2,0.5]|    [1.0,2.0]|[0.33333333333333...|       1.0| 
# |[0.5,0.2]|    [1.0,2.0]|[0.33333333333333...|       1.0| 
# +---------+-------------+--------------------+----------+

对于 MLlib，见我的回答here；有关 PySpark 分类的几个未记录和违反直觉的特征，请参阅我的相关 blog post。