如何交叉验证 RandomForest 模型？答案

【问题标题】：How to cross validate RandomForest model?如何交叉验证 RandomForest 模型？
【发布时间】：2015-12-22 13:00:30
【问题描述】：

我想评估一个正在对一些数据进行训练的随机森林。 Apache Spark 中是否有任何实用程序可以执行相同操作，还是我必须手动执行交叉验证？

【问题讨论】：

标签： apache-spark random-forest cross-validation apache-spark-ml apache-spark-mllib

【解决方案1】：

ML 提供CrossValidator 类，可用于执行交叉验证和参数搜索。假设您的数据已经过预处理，您可以按如下方式添加交叉验证：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.tuning.{ParamGridBuilder, CrossValidator}
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator

// [label: double, features: vector]
trainingData org.apache.spark.sql.DataFrame = ??? 
val nFolds: Int = ???
val numTrees: Int = ???
val metric: String = ???

val rf = new RandomForestClassifier()
  .setLabelCol("label")
  .setFeaturesCol("features")
  .setNumTrees(numTrees)

val pipeline = new Pipeline().setStages(Array(rf)) 

val paramGrid = new ParamGridBuilder().build() // No parameter search

val evaluator = new MulticlassClassificationEvaluator()
  .setLabelCol("label")
  .setPredictionCol("prediction")
  // "f1" (default), "weightedPrecision", "weightedRecall", "accuracy"
  .setMetricName(metric) 

val cv = new CrossValidator()
  // ml.Pipeline with ml.classification.RandomForestClassifier
  .setEstimator(pipeline)
  // ml.evaluation.MulticlassClassificationEvaluator
  .setEvaluator(evaluator) 
  .setEstimatorParamMaps(paramGrid)
  .setNumFolds(nFolds)

val model = cv.fit(trainingData) // trainingData: DataFrame

使用 PySpark：

from pyspark.ml import Pipeline
from pyspark.ml.classification import RandomForestClassifier
from pyspark.ml.tuning import CrossValidator, ParamGridBuilder
from pyspark.ml.evaluation import MulticlassClassificationEvaluator

trainingData = ... # DataFrame[label: double, features: vector]
numFolds = ... # Integer

rf = RandomForestClassifier(labelCol="label", featuresCol="features")
evaluator = MulticlassClassificationEvaluator() # + other params as in Scala    

pipeline = Pipeline(stages=[rf])
paramGrid = (ParamGridBuilder. 
    .addGrid(rf.numTrees, [3, 10])
    .addGrid(...)  # Add other parameters
    .build())

crossval = CrossValidator(
    estimator=pipeline,
    estimatorParamMaps=paramGrid,
    evaluator=evaluator,
    numFolds=numFolds)

model = crossval.fit(trainingData)

【讨论】：

您确定这适用于留一法吗？引擎盖下的 kFold() 调用似乎不能确定地返回两个折叠长度 N-1 和 1。当我使用 RegressionEvaluator 和 Lasso 模型运行上面的代码时，我得到：线程“main”中的异常 java.lang.IllegalArgumentException : 要求失败：此摘要器中未添加任何内容。
不，我很确定它不会。 MLUtils.kFold 正在使用 BernoulliCellSampler 来确定拆分。另一方面，在 Spark 中执行 leave-one-out 交叉验证的成本可能太高，无法在实践中实现。
您好@zero323，当您在 Evaluator 对象中设置指标时，例如 .setMetricName("precision") 。我的问题是，如何在训练过程中计算出这些指标？（请参考这个问题：stackoverflow.com/questions/37778532/…）
嘿@zero323，使用交叉验证时是否需要将数据拆分为训练/测试？当 CV 训练和测试多次折叠时，它应该给出五次折叠的准确性训练/测试的平均值吗？或者也许我已经走远了。
@zero323 根据issues.apache.org/jira/browse/SPARK-15771，我认为你应该用“准确度”来改变“精度”

【解决方案2】：

要使用 Random Forest Classifier 在 zero323 的出色答案的基础上构建，这里有一个类似的 Random Forest Regressor 示例：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.tuning.{ParamGridBuilder, CrossValidator}
import org.apache.spark.ml.regression.RandomForestRegressor // CHANGED
import org.apache.spark.ml.evaluation.RegressionEvaluator // CHANGED
import org.apache.spark.ml.feature.{VectorAssembler, VectorIndexer}

val numFolds = ??? // Integer
val data = ??? // DataFrame

// Training (80%) and test data (20%)
val Array(train, test) = data.randomSplit(Array(0.8,0.2))
val featuresCols = data.columns
val va = new VectorAssembler()
va.setInputCols(featuresCols)
va.setOutputCol("rawFeatures")
val vi = new VectorIndexer()
vi.setInputCol("rawFeatures")
vi.setOutputCol("features")
vi.setMaxCategories(5)
val regressor = new RandomForestRegressor()
regressor.setLabelCol("events")

val metric = "rmse"
val evaluator = new RegressionEvaluator()
  .setLabelCol("events")
  .setPredictionCol("prediction")
  //     "rmse" (default): root mean squared error
  //     "mse": mean squared error
  //     "r2": R2 metric
  //     "mae": mean absolute error 
  .setMetricName(metric) 

val paramGrid = new ParamGridBuilder().build()
val cv = new CrossValidator()
  .setEstimator(regressor)
  .setEvaluator(evaluator) 
  .setEstimatorParamMaps(paramGrid)
  .setNumFolds(numFolds)

val model = cv.fit(train) // train: DataFrame
val predictions = model.transform(test)
predictions.show
val rmse = evaluator.evaluate(predictions)
println(rmse)

评估者指标来源： https://spark.apache.org/docs/latest/api/scala/#org.apache.spark.ml.evaluation.RegressionEvaluator

【讨论】：