通过 pyspark.ml.tuning.TrainValidationSplit 调整后如何获得最佳参数？

【问题标题】：How to get best params after tuning by pyspark.ml.tuning.TrainValidationSplit?通过 pyspark.ml.tuning.TrainValidationSplit 调整后如何获得最佳参数？
【发布时间】：2017-01-28 09:50:09
【问题描述】：

我正在尝试通过TrainValidationSplit 调整 Spark (PySpark) ALS 模型的超参数。

效果很好，但我想知道哪种超参数组合最好。评估后如何获得最佳参数？

from pyspark.ml.recommendation import ALS
from pyspark.ml.tuning import TrainValidationSplit, ParamGridBuilder
from pyspark.ml.evaluation import RegressionEvaluator

df = sqlCtx.createDataFrame(
    [(0, 0, 4.0), (0, 1, 2.0), (1, 1, 3.0), (1, 2, 4.0), (2, 1, 1.0), (2, 2, 5.0)],
    ["user", "item", "rating"],
)

df_test = sqlCtx.createDataFrame(
    [(0, 0), (0, 1), (1, 1), (1, 2), (2, 1), (2, 2)],
    ["user", "item"],
)

als = ALS()

param_grid = ParamGridBuilder().addGrid(
    als.rank,
    [10, 15],
).addGrid(
    als.maxIter,
    [10, 15],
).build()

evaluator = RegressionEvaluator(
    metricName="rmse",
    labelCol="rating",
)
tvs = TrainValidationSplit(
    estimator=als,
    estimatorParamMaps=param_grid,
    evaluator=evaluator,
)


model = tvs.fit(df)

问题：如何获得最好的rank和maxIter？

【问题讨论】：

标签： apache-spark pyspark apache-spark-ml

【解决方案1】：

您可以使用TrainValidationSplitModel 的bestModel 属性访问最佳模型：

best_model = model.bestModel

可以使用ALSModel 的rank 属性直接访问排名：

best_model.rank

获得最大迭代次数需要更多技巧：

(best_model
    ._java_obj     # Get Java object
    .parent()      # Get parent (ALS estimator)
    .getMaxIter()) # Get maxIter

【讨论】：