Spark实现逻辑回归算法和实例代码解析
spark mllib 机器学习算法
1. 逻辑回归概述
1.1 概述
逻辑回归与线性回归相似，但它不属于回归分析家族（主要为二分类），而属于分类家族，差别主要在于变量不一样，所以其解法与生成曲线也不尽相同。 逻辑回归是无监督学习的一个重要算法，对某些数据与事物的归属（分到哪一个类别）及可能性（分到某一类别的几率）进行评估。apache
1.2 使用场景
- 在医学界，普遍应用于流行病学中，好比探索某个疾病的危险因素，根据危险因素预测疾病是否发生，与发生的几率。好比探讨胃癌，能够选择两组人群，一组是胃癌患者，一组是非胃癌患者。因变量是“是否胃癌”，这里“是”与“否”就是要研究的两个分类类别。自变量是两组人群的年龄，性别，饮食习惯，等等许多（能够根据经验假设），自变量能够是连续的，也能够是分类的。
- 在金融界，较为常见的是使用逻辑回归去预测贷款是否会违约，或放贷以前去估计贷款者将来是否会违约或违约的几率。
- 在消费行业中，也能够被用于预测某个消费者是否会购买某个商品，是否会购买会员卡，从而针对性得对购买几率大的用户发放广告，或代金券等等，进行精准营销。
2.逻辑回归算法原理
公式推导部分转自知乎机器学习专栏 zhuanlan.zhihu.com/p/28775274缓存
2.1Sigmoid函数
逻辑回归本质是线性回归，只是在特征到结果的过程上加上了一层映射。即首先须要把特征进行求和，而后将求和后的结果应用于一个g(z)函数,g(z)能够将值映射到0或者是1上面，这个函数就是Sigmoid函数，公式以下：bash
2.2原理图
默认分类的值是0.5，超过0.5则类别为1，小于0.5类别为0 dom
对于线性边界的状况，边界形式能够概括为以下公式（1）:eclipse
2.3spark mllib
逻辑回归和多重线性回归有不少的类似之处。最大的区别是他们的因变量不一样。这两个回归也能够统一归为广义线性模型。在 spark mllib 实现的过程当中也是先定义好父类广义线性模型，而后让线性回归和逻辑回归去继承这个类，从新覆盖里面的一些参数，好比 Updater，GradientDescent等。机器学习
逻辑回归主要包含如下类:函数
- 首先是伴生对象类，LogisticRegressionWithSGD.(包含有静态train方法)
- 而后是逻辑回归的主类，class LogisticRegressionWithSGD,这个类继承了GeneralizedLinearAlgorithm类。同时执行了父类的run方法。不过里面的部分参数，好比说梯度降低方法，权重更新方法在LogisticRegressionWithSGD有新的定义。父类包含有optimizer.optimize方法。用于执行梯度降低。权重的优化计算调用的是runMiniBatchWithSGD。梯度的计算调用的是Gradient.compute 方法。
- 最后有一个逻辑回归模型，LogisticRegressionModel类。其里面也包含有predict方法来进行预测。
逻辑回归相关的spark mllib源码解析能够参考这篇文章：blog.csdn.net/stevekangpe…性能
2.4逻辑回归优缺点
- 优势：计算代价低，速度快，容易理解和实现。
- 缺点：容易欠拟合，分类和回归的精度不高
3.Spark实现逻辑回归代码解析
3.1简单例子
下面的例子展现了如何使用逻辑回归训练模型，预测结果，保存和调用模型。学习
import org.apache.spark.SparkContext
import org.apache.spark.mllib.classification.{LogisticRegressionWithLBFGS, LogisticRegressionModel}
import org.apache.spark.mllib.evaluation.MulticlassMetrics
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.util.MLUtils
// 加载训练数据
val data = MLUtils.loadLibSVMFile(sc, "data/mllib/sample_libsvm_data.txt")
// 切分数据，training (60%) and test (40%).
val splits = data.randomSplit(Array(0.6, 0.4), seed = 11L)
val training = splits(0).cache()
val test = splits(1)
// 训练模型
val model = new LogisticRegressionWithLBFGS()
.setNumClasses(10)
.run(training)
// Compute raw scores on the test set.
val predictionAndLabels = test.map { case LabeledPoint(label, features) =>
val prediction = model.predict(features)
(prediction, label)
}
// Get evaluation metrics.
val metrics = new MulticlassMetrics(predictionAndLabels)
val precision = metrics.precision
println("Precision = " + precision)
// 保存和加载模型
model.save(sc, "myModelPath")
val sameModel = LogisticRegressionModel.load(sc, "myModelPath")
复制代码
3.2实例调参分析
package Classification
/** * LogisticRegression Algorithm * Created by wy on 2019/03/25 */
//spark初始化
import org.apache.log4j.{Level, Logger}
import org.apache.spark.{SparkConf, SparkContext}
//分类数据格式处理
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.rdd.RDD
//逻辑回归-随机梯度降低SGD
import org.apache.spark.mllib.classification.LogisticRegressionWithSGD
//计算Accuracy、PR、ROC和AUC
import org.apache.spark.mllib.evaluation.BinaryClassificationMetrics
//数据标准化
import org.apache.spark.mllib.linalg.distributed.RowMatrix
import org.apache.spark.mllib.feature.StandardScaler
//参数调优
import org.apache.spark.mllib.optimization.{Updater,SimpleUpdater,L1Updater,SquaredL2Updater}
import org.apache.spark.mllib.classification.ClassificationModel
object LogisticRegression {
//屏蔽没必要要的日志显示在终端上
//Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
Logger.getLogger("org.apache.spark").setLevel(Level.ERROR) //warn类信息不会显示，只显示error级别的
Logger.getLogger("org.apache.eclipse.jetty.server").setLevel(Level.OFF)
def main(args: Array[String]): Unit = {
//初始化
val conf = new SparkConf().setMaster("local").setAppName("LogisticRegression")
val sc = new SparkContext(conf)
/** * 数据：lr_test.txt * 该数据集包含了46个feature,1个label * */
//input
val sourceRDD = sc.textFile("E:\\Spark\\scala-data\\LRdata\\lr_test.txt")
val data = sourceRDD.map{
line =>{
val arr = line.split("#")
val label = arr(1).toDouble
val features = arr(0).split(",").map(_.toDouble)
LabeledPoint(label,Vectors.dense(features)) //建立一个稠密向量
}
}
/** * 建立一个稀疏向量（第一种方式） * val sv1: Vector = Vector.sparse(3, Array(0,2), Array(1.0,3.0)); * 建立一个稀疏向量（第二种方式） * val sv2 : Vector = Vector.sparse(3, Seq((0,1.0),(2,3.0))) * * 对于稠密向量：很直观，你要建立什么，就加入什么，其函数声明为Vector.dense(values : Array[Double]) * 对于稀疏向量，当采用第一种方式时，3表示此向量的长度，第一个Array(0,2)表示的索引，第二个Array(1.0, 3.0) * 与前面的Array(0,2)是相互对应的，表示第0个位置的值为1.0，第2个位置的值为3 * * 对于稀疏向量，当采用第二种方式时，3表示此向量的长度，后面的比较直观，Seq里面每一对都是(索引，值）的形式。 * */
data.cache() //缓存
val Array(trainData, testData) = data.randomSplit(Array(0.8,0.2),seed = 11L)
trainData.cache()
testData.cache()
val numData = data.count
val numTrainData = trainData.count
val numTestData = testData.count
println("原始数据量：",numData) //40530
println("训练数据量：",numTrainData) //32503
println("测试数据量：",numTestData) //8027
val stepSize = 0.1 //迭代步长，默认为1.0
val numIterations = 50 //迭代次数，默认为100
val miniBatchFraction = 1.0 //每次迭代参与计算的样本比例，默认为1.0
/** 训练逻辑回归模型 */
val lrModel = LogisticRegressionWithSGD.train(data, numIterations, stepSize, miniBatchFraction)
//打印模型权重值
val res = lrModel.weights.toArray
println("权重值列表以下：")
res.foreach(println)
println("----------------------拟合预测结果--------------------")
//预测值与真实值比较
//val testPoint = testData.first
//val testPredict = lrModel.predict(testPoint.features)
//testPredict: Double = 0.0
//val testTrueLabel = testPoint.label
//testTrueLabel: Double = 0.0
/** 预测的正确率计算 */
val lrTestCorrect = data.map { x =>
if (lrModel.predict(x.features)== x.label) 1 else 0
}.sum
//预测正确率
val lrAccuracy = lrTestCorrect / numData
println(f"Accuracy：${lrAccuracy * 100}%2.3f%%")
// Accuracy: 97.839%
/** 计算 准确率-召回律(PR曲线) ROC曲线的面积(AUC) * 1.准确率一般用于评价结果的质量，定义为真阳性的数目除以真阳性和假阳性的总数，其中真阳性值被预测的类别为1的样本， * 假阳性是错误预测为1的样本。 * 2.召回率用来评价结果的完整性，定义为真阳性的数目除以真阳性和假阳性的和，其中假阳性是类别为1却被预测为0的样本。 * 一般高准确率对应着低召回率 * 3.ROC曲线与PR曲线相似，是对分类器的真阳性率-假阳性率的图形化解释。 * */
val metrics = Seq(lrModel).map{ model =>
val scoreAndLabels = data.map{ x =>
(model.predict(x.features), x.label)
}
val metrics = new BinaryClassificationMetrics(scoreAndLabels)
(model.getClass.getSimpleName, metrics.areaUnderPR(), metrics.areaUnderROC())
}
//val allMetrics = metrics ++ nbMetrics ++ dtMetrics
metrics.foreach{ case (model, pr, roc) =>
println(f"model:$model\n" +
f"Area under PR: ${pr * 100.0}%2.3f%%\n" +
f"Area under ROC: ${roc * 100.0}%2.3f%%")
}
//Accuracy：97.839%
//model:LogisticRegressionModel
//Area under PR: 51.081%
//Area under ROC: 50.000%
/** 改进模型性能以及参数调优 */
//特征标准化
//将特征变量用（RowMatrix类）表示成MLlib中的（分布矩阵）
val vectors = data.map(x => x.features)
val matrix = new RowMatrix(vectors)
val matrixSummary = matrix.computeColumnSummaryStatistics() //计算矩阵每列的统计特性
println("----------------------特征标准化----------------------")
println("mean: ",matrixSummary.mean) //输出每列均值
println("max: ",matrixSummary.max) //每列最大值
println("variance: ",matrixSummary.variance) //矩阵每列方差
println("numNonzeros:",matrixSummary.numNonzeros) //每列非0项的数目
println("normL2: ",matrixSummary.normL2) //L2范数：向量各元素的平方和而后求平方根
/**为使得数据更符合模型的假设，对每一个特征进行标准化，使得每一个特征是（0均值）和（单位标准差）*/
//作法：对（每一个特征值）减去（列的均值），而后（除以）列的（标准差）以进行缩放
val scaler = new StandardScaler(withMean = true, withStd = true).fit(vectors) //将向量传到转换函数
val scaledData = data.map(x => LabeledPoint(x.label, scaler.transform(x.features)))
//println(data.first.features)
println("标准化后的特征第一行结果：")
println(scaledData.first.features)
//[0.0016544159298287912,0.0273303020874253,0.008141541536538578,0.07992614623509364,...
//为验证第一个特征已经应用标准差公式被转换了，用 第一个特征（减去）其均值，而后（除以）标准差--方差的平方根
println("验证第一个特征是否正确")
println((data.first.features(0) - matrixSummary.mean(0)) / math.sqrt(matrixSummary.variance(0)))
//0.0016544159298287912 验证正确
/** 如今使用标准化的数据从新训练模型逻辑回归-（决策树和朴素贝叶斯不受特征标准化的影响）*/
//val Array(scaledTrainData, scaledTestData) = scaledData.randomSplit(Array(0.8,0.2),seed = 11L)
val scaledLrModel = LogisticRegressionWithSGD.train(scaledData,numIterations,stepSize,miniBatchFraction)
val scaledLrCorrect = scaledData.map{ x =>
if (scaledLrModel.predict(x.features) == x.label) 1 else 0
}.sum
val scaledLrTestAccuracy = scaledLrCorrect / numData
val lrPredictionsVsTrue = scaledData.map{ x =>
(scaledLrModel.predict(x.features), x.label)
}
val lrMetricsScaled = new BinaryClassificationMetrics(lrPredictionsVsTrue)
val lrPr = lrMetricsScaled.areaUnderPR() //lrPr: Double = 0.27532
val lrPoc = lrMetricsScaled.areaUnderROC() //lrPoc: Double = 0.58451
println("------------标准化后数据训练、拟合和结果----------------")
println(f"Model:${scaledLrModel.getClass.getSimpleName}\n" +
f"Accuracy: ${scaledLrTestAccuracy * 100}%2.3f%%\n" +
f"Area under PR: ${lrPr * 100}%2.3f%%\n" +
f"Area under ROC:${lrPoc * 100}%2.3f%%")
//Model:LogisticRegressionModel
//Accuracy: 64.974%
//Area under PR: 35.237%
//Area under ROC:65.355%
/** 模型参数调优MLlib线性模型优化技术：SGD和L-BFGS(只在逻辑回归中使用LogisticRegressionWithLBFGS)*/
//线性模型
//定义训练调参辅助函数，根据给定输入训练模型 (输入， 则正则化参数， 迭代次数， 正则化形式， 步长)
def trainWithParams(input: RDD[LabeledPoint], regParam: Double, numIterations: Int,
updater: Updater, stepSize: Double) = {
val lr =new LogisticRegressionWithSGD //逻辑回归也能够用LogisticRegressionWithLBFGS
lr.optimizer
.setNumIterations(numIterations) //迭代次数
.setStepSize(stepSize) //步长
.setRegParam(regParam) //则正则化参数
.setUpdater(updater) //正则化形式
lr.run(input) //输入训练数据RDD
}
//定义第二个辅助函数,label为须要调试的参数，data:输入预测的数据，model训练的模型
def createMetrics(label: Double, data: RDD[LabeledPoint], model: ClassificationModel) = {
val scoreAndLabels = data.map { point =>
(model.predict(point.features),point.label) //(predicts,label)
}
val metrics = new BinaryClassificationMetrics(scoreAndLabels)
(label, metrics.areaUnderROC()) //计算AUC
}
//加快屡次模型训练速度, 缓存标准化后的数据
scaledData.cache()
println("------------------标准化后数据调参---------------------")
//1迭代次数
val iterateResults = Seq(1, 5, 10, 50, 100).map { param =>
//训练
val model = trainWithParams(scaledData, 0.0, param, new SimpleUpdater, 1.0)
//拟合，计算AUC
createMetrics(param, scaledData, model)
}
println("1迭代次数numIterations：Seq(1, 5, 10, 50, 100)")
iterateResults.foreach { case (param, auc) => println(f"$param iterations, AUC = ${auc * 100}%2.2f%%")}
//1 iterations, AUC = 64.50%
//5 iterations, AUC = 67.07%
//10 iterations, AUC = 67.10%
//50 iterations, AUC = 67.56%
//100 iterations, AUC = 67.56%
var maxIterateAuc = 0.0
var bestIterateParam = 0
for(x <- iterateResults){
//println(x)
if(x._2 > maxIterateAuc){
maxIterateAuc = x._2
bestIterateParam = x._1.toInt
}
}
println("max auc: " + maxIterateAuc + " best numIterations param: " + bestIterateParam)
//2步长 大步长收敛快，太大可能致使收敛到局部最优解
val stepResults = Seq(0.001, 0.01, 0.1, 1.0, 10.0).map { param =>
val model = trainWithParams(scaledData, 0.0, bestIterateParam, new SimpleUpdater, param)
createMetrics(param, scaledData, model)
}
println("\n2步长stepSize：Seq(0.001, 0.01, 0.1, 1.0, 10.0)")
stepResults.foreach { case (param, auc) => println(f"$param stepSize, AUC = ${auc * 100}%2.2f%%")}
//0.001 step size, AUC = 64.50%
//0.01 step size, AUC = 64.50%
//0.1 step size, AUC = 65.36%
//1.0 step size, AUC = 67.56%
//10.0 step size, AUC = 50.20%
var maxStepAuc = 0.0
var bestStepParam = 0.0
for(x <- stepResults){
//println(x)
if(x._2 > maxStepAuc){
maxStepAuc = x._2
bestStepParam = x._1
}
}
println("max auc: " + maxStepAuc + " best stepSize param: " + bestStepParam)
//3.1正则化参数，默认值为0.0，L1正则new L1Updater
val regL1Results = Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0).map{ param =>
val model = trainWithParams(scaledData, param, bestIterateParam, new L1Updater, bestStepParam)
createMetrics(param, scaledData, model)
}
println("\n3.1 L1正则化参数regParam：Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0)")
regL1Results.foreach{ case (param,auc) => println(f"$param regParam L1, AUC = ${auc * 100}%2.2f%%")}
//regParam L1 = 0.0, AUC = 67.56%
//regParam L1 = 0.001, AUC = 66.43%
//regParam L1 = 0.01, AUC = 65.74%
//regParam L1 = 0.1, AUC = 50.00%
//regParam L1 = 1.0, AUC = 50.00%
//regParam L1 = 10.0, AUC = 50.00%
var maxRegL1Auc = 0.0
var bestRegL1Param = 0.0
for(x <- regL1Results){
//println(x)
if(x._2 > maxRegL1Auc){
maxRegL1Auc = x._2
bestRegL1Param = x._1
}
}
println("max auc: " + maxRegL1Auc + " best L1regParam: " + bestRegL1Param)
//3.2正则化参数：默认值为0.0，L2正则new SquaredL2Updater
val regL2Results = Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0).map{ param =>
val model = trainWithParams(scaledData, param, bestIterateParam, new SquaredL2Updater, bestStepParam)
createMetrics(param, scaledData, model)
}
println("\n3.2 L2正则化参数regParam：Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0)")
regL2Results.foreach{ case (param,auc) => println(f"$param regParam L2, AUC = ${auc * 100}%2.2f%%")}
//regParam L2 = 0.0 , AUC = 67.56%
//regParam L2 = 0.001 , AUC = 67.56%
//regParam L2 = 0.01 , AUC = 67.43%
//regParam L2 = 0.1 , AUC = 67.14%
//regParam L2 = 1.0 , AUC = 66.60%
//regParam L2 = 10.0 , AUC = 36.76%
var maxRegL2Auc = 0.0
var bestRegL2Param = 0.0
for(x <- regL2Results){
//println(x)
if(x._2 > maxRegL2Auc){
maxRegL2Auc = x._2
bestRegL2Param = x._1
}
}
println("max auc: " + maxRegL2Auc + " best L2regParam: " + bestRegL2Param)
//4正则化形式：默认为new SimpleUpdater 正则化系数无效，前两个参数调参后最优AUC为maxStepAuc
//则，3.1和3.2的最优AUC与maxStepAuc比较，较大的则为最优正则化形式
var bestRegParam = 0.0
var bestUpdaterID = 0
if(maxStepAuc >= maxRegL1Auc ){
if(maxStepAuc >= maxRegL2Auc){
bestUpdaterID = 0
bestRegParam = 0.0
}
else {
bestUpdaterID = 2
bestRegParam = bestRegL2Param
}
}
else {
if(maxRegL2Auc >= maxRegL1Auc){
bestUpdaterID = 2
bestRegParam = bestRegL2Param
}
else {
bestUpdaterID = 1
bestRegParam = bestRegL1Param
}
}
val Updaters = Seq(new SimpleUpdater, new L1Updater, new SquaredL2Updater)
val bestUpdater = Updaters(bestUpdaterID)
//最优参数:
println("------------------更新模型训练参数---------------------")
println(f"best numIterations param: $bestIterateParam\n" +
f"best stepSize param: $bestStepParam\n" +
f"best regParam: $bestRegParam\n" +
f"best regUpdater: $bestUpdater\n"
)
// numIterations:50
// stepSize:1.0
// regParam:0.0
// updater:new SimpleUpdater
/** 数据标准化、参数调优后，再次训练逻辑回归模型，能够用28分训练测试 */
val upDateLrModel = trainWithParams(scaledData, bestRegParam, bestIterateParam, bestUpdater, bestStepParam)
//保存和加载模型
upDateLrModel.save(sc, "E:\\Spark\\scala-data\\Model")
val newModel = LogisticRegressionModel.load(sc, "E:\\Spark\\scala-data\\Model")
//打印模型权重值
val newRes = newModel.weights.toArray
println("参数调优后特征权重值列表以下：")
newRes.foreach(println)
}
}
复制代码
3.3本地运行结果
------------标准化后数据训练、拟合和结果----------------
Model:LogisticRegressionModel
Accuracy: 64.974%
Area under PR: 35.237%
Area under ROC:65.355%
------------------标准化后数据调参---------------------
1迭代次数numIterations：Seq(1, 5, 10, 50, 100)
1.0 iterations, AUC = 64.50%
5.0 iterations, AUC = 67.07%
10.0 iterations, AUC = 67.10%
50.0 iterations, AUC = 67.56%
100.0 iterations, AUC = 67.56%
max auc: 0.6756122825453876 best numIterations param: 50
2步长stepSize：Seq(0.001, 0.01, 0.1, 1.0, 10.0)
0.001 stepSize, AUC = 64.50%
0.01 stepSize, AUC = 64.50%
0.1 stepSize, AUC = 65.36%
1.0 stepSize, AUC = 67.56%
10.0 stepSize, AUC = 50.20%
max auc: 0.6756122825453876 best stepSize param: 1.0
3.1 L1正则化参数regParam：Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0)
0.0 regParam L1, AUC = 67.56%
0.001 regParam L1, AUC = 66.43%
0.01 regParam L1, AUC = 65.74%
0.1 regParam L1, AUC = 50.00%
1.0 regParam L1, AUC = 50.00%
10.0 regParam L1, AUC = 50.00%
max auc: 0.6756122825453876 best L1regParam: 0.0
3.2 L2正则化参数regParam：Seq(0.0, 0.001, 0.01, 0.1, 1.0, 10.0)
0.0 regParam L2, AUC = 67.56%
0.001 regParam L2, AUC = 67.56%
0.01 regParam L2, AUC = 67.43%
0.1 regParam L2, AUC = 67.14%
1.0 regParam L2, AUC = 66.60%
10.0 regParam L2, AUC = 36.76%
max auc: 0.6756122825453876 best L2regParam: 0.0
------------------更新模型训练参数---------------------
best numIterations param: 50
best stepSize param: 1.0
best regParam: 0.0
best regUpdater: org.apache.spark.mllib.optimization.SimpleUpdater@4b6fc615
---------------调用模型输出特征权重值------------------
-0.014912705104766975
-0.010300917189488083
0.0037483953352201067
-1.0105291799106376E-4
0.08089240228856116
···
复制代码
参考文献：
相关文章
- 1. 逻辑回归算法实例
- 2. 逻辑回归 - 基础 - 代码实现
- 3. 逻辑回归算法（二）-----SparkMLlib实现
- 4. 逻辑回归算法实现
- 5. Python实现逻辑回归算法（一）
- 6. spark ml实现逻辑回归案例分析
- 7. 机器学习：Python实现纯代码逻辑回归算法
- 8. 逻辑回归实例
- 9. 逻辑回归 及 实例
- 10. Spark-MLlib分类算法（逻辑回归）实战算法
- 更多相关文章...
- • XML DOM 实例 - XML DOM 教程
- • XML 实例 - XML 教程
- • 算法总结-回溯法
- • 算法总结-归并排序
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 逻辑回归算法实例
- 2. 逻辑回归 - 基础 - 代码实现
- 3. 逻辑回归算法（二）-----SparkMLlib实现
- 4. 逻辑回归算法实现
- 5. Python实现逻辑回归算法（一）
- 6. spark ml实现逻辑回归案例分析
- 7. 机器学习：Python实现纯代码逻辑回归算法
- 8. 逻辑回归实例
- 9. 逻辑回归 及 实例
- 10. Spark-MLlib分类算法（逻辑回归）实战算法