用于多类分类的 RandomForestClassifier Spark 2.x

Question

我正在尝试使用 spark 2.1.1 将随机森林用于多类分类

像往常一样定义我的管道后，它在索引阶段失败了。

我有一个包含许多字符串类型列的数据框。我为他们每个人创建了一个 StringIndexer。

我正在通过将 StringIndexer 与 VectorAssembler 链接起来创建一个管道，最后是一个 RandomForestClassifier，然后是一个标签转换器。

我已经用 distinct().count() 检查了我所有的专栏，以确保我没有太多的类别等等...

经过一些调试，我了解到每当我开始对某些列进行索引时，我都会收到以下错误... 调用时：

  val indexer = udf { label: String =>
  if (labelToIndex.contains(label)) {
    labelToIndex(label)
  } else {
    throw new SparkException(s"Unseen label: $label.")
  }
}

Error evaluating methog: 'labelToIndex'
Error evaluating methog: 'labels'

然后在转换内部，定义元数据时出现这个错误：

Error evaluating method: org$apache$spark$ml$feature$StringIndexerModel$$labelToIndex Method threw 'java.lang.NullPointerException' exception. Cannot evaluate org.apache.spark.sql.types.Metadata.toString()

发生这种情况是因为我正在索引的某些列上有 null。

我可以用下面的例子重现这个错误。

val df = spark.createDataFrame(
  Seq(("asd2s","1e1e",1.1,0), ("asd2s","1e1e",0.1,0), 
      (null,"1e3e",1.2,0), ("bd34t","1e1e",5.1,1), 
      ("asd2s","1e3e",0.2,0), ("bd34t","1e2e",4.3,1))
).toDF("x0","x1","x2","x3")

val indexer = new 
StringIndexer().setInputCol("x0").setOutputCol("x0idx")

indexer.fit(df).transform(df).show

// java.lang.NullPointerException

https://issues.apache.org/jira/browse/SPARK-11569

https://github.com/apache/spark/blob/branch-2.1/mllib/src/main/scala/org/apache/spark/ml/feature/StringIndexer.scala

Answer 1

目前的解决方案 can be used, and on the Spark 2.2.0，问题已在上游修复。

Answer 2

你可以使用 DataFrame.na.fill(地图("colName1", val1), ("colName2", val2),..))

其中：

DataFrame - DataFrame 对象； "colName" - 列的名称和 val - 如果在 "colName" 列中找到空值，则用于替换空值的值。

填充所有空值后使用特征转换。

您可以检查 as:

的所有列中的空值数

for ( 列 <- DataFrame.columns ) { DataFrame.filter(DataFrame(列) === null || DataFrame(列).isNull || DataFrame(列).isNan).count()

}

或

DataFrame.count() 将为您提供 DataFrame 中的总行数。然后可以通过 DataFrame.describe()

判断空值的数量

用于多类分类的 RandomForestClassifier Spark 2.x

RandomForestClassifier for multiclass classification Spark 2.x

scala

random-forest

apache-spark

apache-spark-mllib

multiclass-classification