模型的训练与分析
Spark的ML库提供的高斯混合模型都在org.apache.spark.ml.clustering
包下,和其他的聚类方法类似,其具体实现分为两个类:用于抽象GMM的超参数并进行训练的GaussianMixture
类(Estimator
)和训练后的模型GaussianMixtureModel
类(Transformer
),在使用前,引入需要的包:
scala
import org.apache.spark.ml.clustering.{GaussianMixture,GaussianMixtureModel}
import org.apache.spark.ml.linalg.{Vector,Vectors}
开启RDD
的隐式转换:
scala
import spark.implicits._
下文中,我们默认名为spark
的SparkSession
已经创建。与其他教程相同,本文亦使用模式识别领域广泛使用的UCI数据集中的鸢尾花数据Iris进行实验,它可以在iris获取,Iris数据的样本容量为150,有四个实数值的特征,分别代表花朵四个部位的尺寸,以及该样本对应鸢尾花的亚种类型(共有3种亚种类型),如下所示:
5.1,3.5,1.4,0.2,setosa
...
5.4,3.0,4.5,1.5,versicolor
...
7.1,3.0,5.9,2.1,virginica
...
为了便于生成相应的DataFrame
,这里定义一个名为model_instance
的case class
作为DataFrame
每一行(一个数据样本)的数据类型。
注:因为是非监督学习,所以不需要数据中的label,只需要使用特征向量数据就可以。
scala
scala> case class model_instance(features: org.apache.spark.ml.linalg.Vector)
defined class model_instance
在定义数据类型完成后,即可将数据读入RDD[model_instance]
的结构中,并通过RDD的隐式转换.toDF()
方法完成RDD
到DataFrame
的转换:
scala
val rawData = sc.textFile("file:///root/data/iris.txt")
rawData: org.apache.spark.rdd.RDD[String] = file:///root/data/iris.txt MapPartitionsRDD[220] at textFile at <console>:56
scala> val df = rawData.map(line =>{ model_instance( Vectors.dense(line.split(",").filter(p => p.matches("\\d*(\\.?)\\d*")).map(_.toDouble)) )}).toDF()
df: org.apache.spark.sql.DataFrame = [features: vector]
与MLlib
版的教程类似,我们使用了filter
算子,过滤掉类标签,正则表达式\\d*(\\.?)\\d*
可以用于匹配实数类型的数字,\\d*
使用了*
限定符,表示匹配0次或多次的数字字符,\\.?
使用了?限定符,表示匹配0次或1次的小数点。
可以通过创建一个GaussianMixture
类,设置相应的超参数,并调用fit(..)
方法来训练一个GMM模型GaussianMixtureModel
,在该方法调用前需要设置一系列超参数,如下表所示:
参数 | 含义 |
---|---|
K | 聚类数目,默认为2 |
maxIter | 最大迭代次数,默认为100 |
seed | 随机数种子,默认为随机Long值 |
Tol | 对数似然函数收敛阈值,默认为0.01 |
其中,每一个超参数均可通过名为setXXX(...)
(如maxIterations
即为setMaxIterations()
)的方法进行设置。
这里,我们建立一个简单的GaussianMixture
对象,设定其聚类数目为3
,其他参数取默认值。
scala
scala> val gm = new GaussianMixture().setK(3).setPredictionCol("Prediction").setProbabilityCol("Probability")
gm: org.apache.spark.ml.clustering.GaussianMixture = GaussianMixture_d8479eee2bdf
scala> val gmm = gm.fit(df)
17/09/07 17:10:07 WARN LAPACK: Failed to load implementation from: com.github.fommil.netlib.NativeSystemLAPACK
17/09/07 17:10:07 WARN LAPACK: Failed to load implementation from: com.github.fommil.netlib.NativeRefLAPACK
gmm: org.apache.spark.ml.clustering.GaussianMixtureModel = GaussianMixture_d8479eee2bdf
和KMeans等硬聚类方法不同的是,除了可以得到对样本的聚簇归属预测外,还可以得到样本属于各个聚簇的概率(这里我们存在"Probability
"列中)。
调用transform()
方法处理数据集之后,打印数据集,可以看到每一个样本的预测簇以及其概率分布向量(这里为了明晰起见,省略了大部分行,只选择三行):
scala
scala> val result = gmm.transform(df)
result: org.apache.spark.sql.DataFrame = [features: vector, Prediction: int ... 1 more field]
scala> result.show(150, false)
+-----------------+----------+------------------------------------------------------------------+
|features |Prediction|Probability |
+-----------------+----------+------------------------------------------------------------------+
|[5.1,3.5,1.4,0.2]|0 |[0.9999999999999951,4.682229962936943E-17,4.868372929925642E-15] |
|[5.8,2.7,5.1,1.9]|1 |[5.443776218961163E-16,0.5809846403552363,0.41901535964476316] |
|[5.1,2.5,3.0,1.1]|2 |[1.574811409348219E-14,1.646719617640849E-14,0.9999999999999678] |
得到模型后,即可查看模型的相关参数,与KMeans方法不同,GMM不直接给出聚类中心,而是给出各个混合成分(多元高斯分布)的参数。在ML的实现中,GMM的每一个混合成分都使用一个MultivariateGaussian
类(位于org.apache.spark.ml.stat.distribution
包)来存储,我们可以使用GaussianMixtureModel
类的weights
成员获取到各个混合成分的权重,使用gaussians
成员来获取到各个混合成分的参数(均值向量和协方差矩阵):
scala
scala> for (i <- 0 until gmm.getK) {println("Component %d : weight is %f \n mu vector is %s \n sigma matrix is %s" format(i, gmm.weights(i), gmm.gaussians(i).mean, gmm.gaussians(i).cov))}
Component 0 : weight is 0.333333
mu vector is [5.006000336585284,3.41800074359835,1.4640001090120234,0.24399996278677907]
sigma matrix is 0.12176391071215485 0.098291689186003 0.01581595534223468 0.01033602571352466
0.098291689186003 0.14227526345684152 0.011447885703674401 0.01120804907975396
0.01581595534223468 0.011447885703674401 0.029504001732923526 0.005584009823879005
0.01033602571352466 0.01120804907975396 0.005584009823879005 0.011264005407846419
Component 1 : weight is 0.158358
mu vector is [6.683368733405749,2.869615454114306,5.6462886220107,2.0056734271362298]
sigma matrix is 0.4932801350542996 0.050374713498106384 0.3573203540815376 0.05001856939219663
0.050374713498106384 0.04009423452906383 0.004169715059366357 0.020005237661706105
0.3573203540815376 0.004169715059366357 0.33772537665484004 0.01700691760482919
0.05001856939219663 0.020005237661706105 0.01700691760482919 0.06935869650451344
Component 2 : weight is 0.508309
mu vector is [6.130726266791144,2.872742630634865,4.675369349848154,1.5732931362537985]
sigma matrix is 0.34423978263400257 0.1433295221383842 0.3498831855148469 0.1447023418962772
0.1433295221383842 0.13127254135550323 0.18483272859443253 0.09799971374720756
0.3498831855148469 0.18483272859443253 0.5558476131836453 0.26987975624410054
0.1447023418962772 0.09799971374720756 0.26987975624410054 0.16825697031716608