如何使用 CrossValidator 获得 Precision/Recall 以使用 Spark 训练 NaiveBayes 模型

Question

假设我有这样的管道：

val tokenizer = new Tokenizer().setInputCol("tweet").setOutputCol("words")
val hashingTF = new HashingTF().setNumFeatures(1000).setInputCol("words").setOutputCol("features")
val idf = new IDF().setInputCol("features").setOutputCol("idffeatures")
val nb = new org.apache.spark.ml.classification.NaiveBayes()
val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, idf, nb))
val paramGrid = new ParamGridBuilder().addGrid(hashingTF.numFeatures, Array(10, 100, 1000)).addGrid(nb.smoothing, Array(0.01, 0.1, 1)).build()
val cv = new CrossValidator().setEstimator(pipeline).setEvaluator(new BinaryClassificationEvaluator()).setEstimatorParamMaps(paramGrid).setNumFolds(10)
val cvModel = cv.fit(df)

如您所见，我使用 MultiClassClassificationEvaluator 定义了 CrossValidator。我已经看到很多示例在测试过程中获取诸如 Precision/Recall 之类的指标，但这些指标是在您使用不同的数据集进行测试时获得的（例如，参见 documentation）。

据我了解，CrossValidator 将创建折叠，其中一个折叠将用于测试目的，然后 CrossValidator 将选择最佳模型。我的问题是，是否有可能在训练过程中获得 Precision/Recall 指标？

Answer 1

嗯，实际存储的唯一指标是您在创建Evaluator 的实例时定义的指标。对于BinaryClassificationEvaluator，这可以采用以下两个值之一：

• areaUnderROC
• areaUnderPR

前者为默认设置，可使用setMetricName 方法设置。

这些值是在训练过程中收集的，可以使用CrossValidatorModel.avgMetrics 访问。值的顺序对应EstimatorParamMaps（CrossValidatorModel.getEstimatorParamMaps）的顺序。