Spark ML - 从新数据元素创建特征向量以进行预测

Question

tl;博士

我在 Spark 2.10 中拟合了一个 LinearRegression 模型 - 在使用 StringIndexer 和 OneHotEncoder 之后，我有一个 ~44 个元素的特征向量。对于我想要预测的新数据，如何从新数据元素创建特征向量？

更多详情

首先，这是一个完全人为的例子来学习如何做到这一点。使用带有字段的日志：

"elapsed_time", "api_name", "method", and "status_code"

我们将创建一个标签为elapsed_time 的模型，并使用其他字段作为我们的特征集。完整的代码将在下面分享。

步骤 - 精简

1. 将我们的数据读入 DataFrame
2. 使用 StringIndexer 索引我们的每个功能
3. OneHotEncode 使用 OneHotEncoder 索引功能
4. 使用 VectorAssembler 创建我们的特征向量
5. 将数据拆分为训练集和测试集
6. 拟合模型并根据测试数据进行预测

结果很糟糕，但就像我说的那样，这是一个人为的练习......

我需要学习如何做

例如，如果一个新的日志条目进入流式应用程序，我将如何从新数据创建特征向量并将其传递给 predict()？

一个新的日志条目可能是：

{api_name":"/sample_api_1/v2","method":"GET","status_code":"200","elapsed_time":39}

发布 VectorAssembler

status_code_vector

(14,[0],[1.0])

api_name_vector

(27,[0],[1.0])

方法向量

(3,[0],[1.0])

特征向量

(44,[0,14,41],[1.0,1.0,1.0])

乐代码

%spark

import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer, VectorAssembler, StringIndexerModel, VectorSlicer}
import org.apache.spark.ml.linalg.Vectors
import org.apache.spark.ml.regression.LinearRegression
import org.apache.spark.sql.DataFrame

val logs = sc.textFile("/Users/z001vmk/data/sample_102M.txt")
val dfLogsRaw: DataFrame = spark.read.json(logs)

val dfLogsFiltered = dfLogsRaw.filter("status_code != 314").drop("extra_column")

// Create DF with our fields of concern.
val dfFeatures: DataFrame = dfLogsFiltered.select("elapsed_time", "api_name", "method", "status_code")

// Contrived goal:
// Use elapsed time as our label given features api_name, status_code, & method.
// Train model on small (100Mb) dataset
// Be able to predict elapsed_time given a new record similar to this example:
// --> {api_name":"/sample_api_1/v2","method":"GET","status_code":"200","elapsed_time":39}

// Indexers
val statusCodeIdxr: StringIndexer = new StringIndexer().setInputCol("status_code").setOutputCol("status_code_idx").setHandleInvalid("skip")
val apiNameIdxr: StringIndexer = new StringIndexer().setInputCol("api_name").setOutputCol("api_name_idx").setHandleInvalid("skip")
val methodIdxr: StringIndexer = new StringIndexer().setInputCol("method").setOutputCol("method_idx").setHandleInvalid("skip")
// Index features:
val dfIndexed0: DataFrame = statusCodeIdxr.fit(dfFeatures).transform(dfFeatures)
val dfIndexed1: DataFrame = apiNameIdxr.fit(dfIndexed0).transform(dfIndexed0)
val indexed: DataFrame = methodIdxr.fit(dfIndexed1).transform(dfIndexed1)
// OneHotEncoders
val statusCodeEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(statusCodeIdxr.getOutputCol).setOutputCol("status_code_vec")
val apiNameEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(apiNameIdxr.getOutputCol).setOutputCol("api_name_vec")
val methodEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(methodIdxr.getOutputCol).setOutputCol("method_vec")
// Encode feature vectors
val encoded0: DataFrame = statusCodeEncoder.transform(indexed)
val encoded1: DataFrame = apiNameEncoder.transform(encoded0)
val encoded: DataFrame = methodEncoder.transform(encoded1)
// Limit our dataset to necessary elements:
val dataset0 = encoded.select("elapsed_time", "status_code_vec", "api_name_vec", "method_vec").withColumnRenamed("elapsed_time", "label")

// Assemble feature vectors
val assembler: VectorAssembler = new VectorAssembler().setInputCols(Array("status_code_vec", "api_name_vec", "method_vec")).setOutputCol("features")
val dataset1 = assembler.transform(dataset0)
dataset1.show(5,false)
// Prepare the dataset for training (optional):
val dataset: DataFrame = dataset1.select("label", "features")
dataset.show(3,false)

val Array(training, test) = dataset.randomSplit(Array(0.8, 0.2))

// Create our Linear Regression Model
val lr: LinearRegression = new LinearRegression().setMaxIter(10).setRegParam(0.3).setElasticNetParam(0.8).setLabelCol("label").setFeaturesCol("features")
val lrModel = lr.fit(training)

val predictions = lrModel.transform(test)
predictions.show(20,false)

如果您有兴趣，可以将其全部粘贴到 Zeppelin 笔记本中。

结束

所以，我一直在寻找的是如何将新数据转换为约 35 个元素的特征向量，并使用适合训练数据的模型对其进行转换并获得预测。我怀疑有元数据保存在模型本身中，或者在这种情况下需要从 StringIndexers 维护 - 但这是我找不到的。

很高兴被指向文档或示例 - 感谢所有帮助。

谢谢！

Answer 1

在使用 PipelineModel 之后，这变得非常简单。向@tadamhicks 致敬，让我尽早查看管道。

下面是一个更新的代码块，它执行与上面基本相同的模型创建、拟合和预测，但使用管道执行此操作，并且在我们对新创建的 DataFrame 进行预测的位置增加了一点，以模拟如何预测新数据。

可能有一种更简洁的方法来重命名/创建我们的标签列，但我们会将其留作未来的增强功能。

%spark

import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer, VectorAssembler, StringIndexerModel, VectorSlicer}
import org.apache.spark.ml.{Pipeline, PipelineModel}
import org.apache.spark.ml.linalg.Vectors
import org.apache.spark.ml.regression.LinearRegression
import org.apache.spark.sql.DataFrame

val logs = sc.textFile("/data/sample_102M.txt")
val dfLogsRaw: DataFrame = spark.read.json(logs)

val dfLogsFiltered = dfLogsRaw.filter("status_code != 314").drop("extra_column")
                              .select("elapsed_time", "api_name", "method", "status_code","cache_status")
                              .withColumnRenamed("elapsed_time", "label")
val Array(training, test) = dfLogsFiltered.randomSplit(Array(0.8, 0.2))

// Indexers
val statusCodeIdxr: StringIndexer = new StringIndexer().setInputCol("status_code").setOutputCol("status_code_idx").setHandleInvalid("skip")
val apiNameIdxr: StringIndexer = new StringIndexer().setInputCol("api_name").setOutputCol("api_name_idx").setHandleInvalid("skip")
val methodIdxr: StringIndexer = new StringIndexer().setInputCol("method").setOutputCol("method_idx").setHandleInvalid("skip")//"cache_status"
val cacheStatusIdxr: StringIndexer = new StringIndexer().setInputCol("cache_status").setOutputCol("cache_status_idx").setHandleInvalid("skip")
// OneHotEncoders
val statusCodeEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(statusCodeIdxr.getOutputCol).setOutputCol("status_code_vec")
val apiNameEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(apiNameIdxr.getOutputCol).setOutputCol("api_name_vec")
val methodEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(methodIdxr.getOutputCol).setOutputCol("method_vec")
val cacheStatusEncoder: OneHotEncoder = new OneHotEncoder().setInputCol(cacheStatusIdxr.getOutputCol).setOutputCol("cache_status_vec")
// Vector Assembler
val assembler: VectorAssembler = new VectorAssembler().setInputCols(Array("status_code_vec", "api_name_vec", "method_vec", "cache_status_vec")).setOutputCol("features")

val lr: LinearRegression = new LinearRegression().setMaxIter(10).setRegParam(0.3).setElasticNetParam(0.8).setLabelCol("label").setFeaturesCol("features")

val pipeline = new Pipeline().setStages(Array(statusCodeIdxr, apiNameIdxr, methodIdxr, cacheStatusIdxr, statusCodeEncoder, apiNameEncoder, methodEncoder, cacheStatusEncoder, assembler, lr))

val plModel: PipelineModel = pipeline.fit(training)

plModel.write.overwrite().save("/tmp/spark-linear-regression-model")

plModel.transform(test).select("label", "prediction").show(5,false)

val dataElement: String = """{"api_name":"/sample_api/v2","method":"GET","status_code":"200","cache_status":"MISS","elapsed_time":39}"""

val newDataRDD = spark.sparkContext.makeRDD(dataElement :: Nil)
val newData = spark.read.json(newDataRDD).withColumnRenamed("elapsed_time", "label")

val loadedPlModel = PipelineModel.load("/tmp/spark-linear-regression-model")
loadedPlModel.transform(newData).select("label", "prediction").show

Answer 2

简短回答：管道模型。

不过，为了确保您明白，您不想在启动应用程序时创建模型，如果您不必这样做的话。除非您打算使用 DataSet 和反馈，否则这很愚蠢。在 Spark Submit 会话中创建模型（或使用像 Zeppelin 这样的笔记本会话）并将其保存下来。这就是你的数据科学。

大多数 DS 人员将模型移交给 DevOps/数据工程师使用。他们所要做的就是在对象被加载到内存后对其调用 .predict() 。