mllib 如何在内部对不平衡数据集的类进行加权？

Question

我有一个包含 1% 正类（1）和 99% 负（0）的数据框，我正在 Pyspark 中使用逻辑回归。我骑here处理不平衡的数据集，解决方案是添加一个weightCol，正如链接中提供的答案中所说，为了告诉模型更多地关注1 , 因为少了。

我试过了，效果很好，但我不知道 mllib 如何在内部平衡数据。有人有线索吗？我不喜欢使用我无法理解的“黑匣子”。

Answer 1

来自Spark documentation 它说

我们实现了两种算法来解决逻辑回归：小批量梯度下降和 L-BFGS。我们建议使用 L-BFGS 而非小批量梯度下降来加快收敛速度​​。

您可以查看LBFGS.scala 以了解优化算法如何在每次迭代后更新权重。