Pyspark - 获取使用 ParamGridBuilder 创建的模型的所有参数

Question

我正在使用 PySpark 2.0 进行 Kaggle 比赛。我想知道模型（RandomForest）的行为取决于不同的参数。 ParamGridBuilder() 允许为单个参数指定不同的值，然后执行（我猜）整个参数集的笛卡尔积。假设我的DataFrame 已经定义：

rdc = RandomForestClassifier()
pipeline = Pipeline(stages=STAGES + [rdc])
paramGrid = ParamGridBuilder().addGrid(rdc.maxDepth, [3, 10, 20])
                              .addGrid(rdc.minInfoGain, [0.01, 0.001])
                              .addGrid(rdc.numTrees, [5, 10, 20, 30])
                              .build()
evaluator = MulticlassClassificationEvaluator()
valid = TrainValidationSplit(estimator=pipeline,
                             estimatorParamMaps=paramGrid,
                             evaluator=evaluator,
                             trainRatio=0.50)
model = valid.fit(df)
result = model.bestModel.transform(df)

好的，现在我可以使用手工制作的功能检索简单的信息：

def evaluate(result):
    predictionAndLabels = result.select("prediction", "label")
    metrics = ["f1","weightedPrecision","weightedRecall","accuracy"]
    for m in metrics:
        evaluator = MulticlassClassificationEvaluator(metricName=m)
        print(str(m) + ": " + str(evaluator.evaluate(predictionAndLabels)))

现在我想要几样东西：

• 最佳模型的参数是什么？这篇文章部分回答了这个问题：How to extract model hyper-parameters from spark.ml in PySpark?
• 所有型号的参数是多少？
• 每个模型的结果（也称为召回率、准确率等）是什么？我只发现print(model.validationMetrics) 显示（似乎）包含每个模型的准确性的列表，但我无法知道指的是哪个模型。

如果我可以检索所有这些信息，我应该能够显示图表、条形图，并像使用 Panda 和 sklearn 一样工作。

Answer 1

Spark 2.4+

SPARK-21088 CrossValidator, TrainValidationSplit 应该在拟合时收集所有模型 - 添加对收集子模型的支持。

默认情况下，此行为被禁用，但可以使用 CollectSubModels Param (setCollectSubModels) 进行控制。

valid = TrainValidationSplit(
    estimator=pipeline,
    estimatorParamMaps=paramGrid,
    evaluator=evaluator,            
    collectSubModels=True)

model = valid.fit(df)

model.subModels

火花

长话短说，您根本无法获得所有模型的参数，因为similarly to CrossValidator、TrainValidationSplitModel 仅保留最佳模型。这些类是为半自动模型选择而不是探索或实验而设计的。

所有模型的参数是什么？

虽然您无法检索实际模型 validationMetrics 对应于输入 Params，但您应该能够简单地 zip 两者：

from typing import Dict, Tuple, List, Any
from pyspark.ml.param import Param
from pyspark.ml.tuning import TrainValidationSplitModel

EvalParam = List[Tuple[float, Dict[Param, Any]]]

def get_metrics_and_params(model: TrainValidationSplitModel) -> EvalParam:
    return list(zip(model.validationMetrics, model.getEstimatorParamMaps()))

了解指标和参数之间的关系。

如果您需要更多信息，请使用Pipeline Params。它将保留所有可用于进一步处理的模型：

models = pipeline.fit(df, params=paramGrid)

它将生成与params参数对应的PipelineModels列表：

zip(models, params)

Answer 2

我想我已经找到了一种方法来做到这一点。我编写了一个函数，专门为逻辑回归提取超参数，该函数具有两个参数，使用 CrossValidator 创建：

def hyperparameter_getter(model_obj,cv_fold = 5.0):

    enet_list = []
    reg_list  = []

    ## Get metrics

    metrics = model_obj.avgMetrics
    assert type(metrics) is list
    assert len(metrics) > 0

    ## Get the paramMap element

    for x in range(len(model_obj._paramMap.keys())):
    if model_obj._paramMap.keys()[x].name=='estimatorParamMaps':
        param_map_key = model_obj._paramMap.keys()[x]

    params = model_obj._paramMap[param_map_key]

    for i in range(len(params)):
    for k in params[i].keys():
        if k.name =='elasticNetParam':
        enet_list.append(params[i][k])
        if k.name =='regParam':
        reg_list.append(params[i][k])

    results_df =  pd.DataFrame({'metrics':metrics, 
             'elasticNetParam': enet_list, 
             'regParam':reg_list})

    # Because of [SPARK-16831][PYTHON] 
    # It only sums across folds, doesn't average
    spark_version = [int(x) for x in sc.version.split('.')]

    if spark_version[0] <= 2:
    if spark_version[1] < 1:
        results_df.metrics = 1.0*results_df['metrics'] / cv_fold

    return results_df