如何在没有 StringIndexer 的情况下在 Spark ML 中进行二进制分类

Question

我尝试在没有 StringIndexer 的管道中使用 Spark ML DecisionTreeClassifier，因为我的特征已经被索引为 (0.0; 1.0)。 DecisionTreeClassifier 作为标签需要双值，所以这段代码应该有效：

def trainDecisionTreeModel(training: RDD[LabeledPoint], sqlc: SQLContext): Unit = {
  import sqlc.implicits._
  val trainingDF = training.toDF()
  //format of this dataframe: [label: double, features: vector]

  val featureIndexer = new VectorIndexer()
    .setInputCol("features")
    .setOutputCol("indexedFeatures")
    .setMaxCategories(4)
    .fit(trainingDF)

  val dt = new DecisionTreeClassifier()
    .setLabelCol("label")
    .setFeaturesCol("indexedFeatures")


  val pipeline = new Pipeline()
    .setStages(Array(featureIndexer, dt))
  pipeline.fit(trainingDF)
}

但实际上我得到了

java.lang.IllegalArgumentException:
DecisionTreeClassifier was given input with invalid label column label,
without the number of classes specified. See StringIndexer.

当然，我可以只放置 StringIndexer 并让它为我的双 "label" 字段工作，但我想使用 DecisionTreeClassifier 的输出 rawPrediction 列来获得每行 0.0 和 1.0 的概率，例如...

val predictions = model.transform(singletonDF) 
val zeroProbability = predictions.select("rawPrediction").asInstanceOf[Vector](0)
val oneProbability = predictions.select("rawPrediction").asInstanceOf[Vector](1)

如果我将 StringIndexer 放入管道 - 我将不知道 rawPrediction 向量中我的输入标签“0.0”和“1.0”的索引，因为字符串索引器将按值的频率进行索引，这可能会有所不同。

请帮助在不使用 StringIndexer 的情况下为 DecisionTreeClassifier 准备数据，或者建议一些其他方法来获取每行原始标签 (0.0; 1.0) 的概率。

Answer 1

您始终可以手动设置所需的元数据：

import sqlContext.implicits._
import org.apache.spark.ml.attribute.NominalAttribute

val meta = NominalAttribute
  .defaultAttr
  .withName("label")
  .withValues("0.0", "1.0")
  .toMetadata

val dfWithMeta = df.withColumn("label", $"label".as("label", meta))
pipeline.fit(dfWithMeta)

如何在没有 StringIndexer 的情况下在 Spark ML 中进行二进制分类

How to make binary classication in Spark ML without StringIndexer

scala

classification

apache-spark

apache-spark-sql

apache-spark-ml