Spark机器学习——模型选择与参数调优之交叉验证

spark 模型选择与超参调优

机器学习可以简单的归纳为 通过数据训练y = f(x) 的过程，因此定义完训练模型之后，就需要考虑如何选择最终我们认为最优的模型。

如何选择最优的模型，就是本篇的主要内容：

• 模型验证的方法
• 超参数的选择
• 评估函数的选择

模型验证的方法

在《统计学习方法》这本书中，曾经讲过模型验证的方法有三种，分别是简单的交叉验证，S折交叉验证，留一交叉验证

简单的交叉验证

即把全部数据按照比例分割成两部分，分别是训练集和测试集。在训练集训练模型，在测试集测试效果，最终选择一个代价比较小的结果。一般是0.75。

S折交叉验证

设置S为一个数，一般是3或者10居多。如果是3，那么前2份作为训练集，最后一份作为测试集。

留一交叉验证

如果S的个数正好是样本的容量，就是留一交叉验证。

PS:
训练集是用于训练模型，测试集适用于判断此次训练效果。

在Spark MLLib中，为我们提供了两种验证方法，分别是

• Cross-Validation ： S折交叉验证
• Train-ValidationSplit：简单交叉验证

超参数的选择

在Spark MLLib中，超参数可以通过上面的验证方法，作为参数传进去：

// 定义超参数集合
val paramGrid = new ParamGridBuilder()
  .addGrid(hashingTF.numFeatures, Array(10, 100, 1000))
  .addGrid(lr.regParam, Array(0.1, 0.01))
  .build()
// 定义验证器
val cv = new CrossValidator()
  .setEstimator(pipeline)
  .setEvaluator(new BinaryClassificationEvaluator)
  .setEstimatorParamMaps(paramGrid)
  .setNumFolds(2)  // Use 3+ in practice

其中hashingTF给设置了3个参数、lr给了2个参数，如果正常我们想要验证这6个参数的组合，应该需要验证6次。但是在Spark中，基于Validator可以一次性验证出来，并自动选择最后代价最小的那个。

PS
上面S折交叉验证中S的参数为2，因此内部只有一个训练集；如果是3，那么最终运行的训练次数将会是 （3*2）*2 = 12次。

评估函数的确定

Spark提供了三种评估函数：

• RegressionEvaluator用于回归预测的问题
• BinaryClassificationEvaluator用于二分类问题
• MulticlassClassificationEvaluator用于多分类问题

详细的代码，可以参考：
http://spark.apache.org/docs/latest/ml-tuning.html