Sdílet prostřednictvím

Kurz: Analýza dat pomocí nástroje glm

  • Článek

Informace, jak se provádí lineární a logistická regrese pomocí zobecněného lineárního modelu (GLM) v Azure Databricks glm odpovídá generalizovanému lineárnímu modelu, podobně jako R glm().

Syntaxe: glm(formula, data, family...)

Parameters:

  • formula: Symbolický popis modelu, který se má namontovat, např: ResponseVariable ~ Predictor1 + Predictor2. Podporované operátory: ~, +, -a .
  • data: Libovolný sparkdataframe
  • family: Řetězec pro "gaussian" lineární regresi nebo "binomial" logistickou regresi
  • lambda: Číselný, parametr regularizace
  • alpha: Číselný, mixovací parametr elastické sítě

Výstup: Model kanálu MLlib

V tomto kurzu se dozvíte, jak provádět lineární a logistickou regresi u datové sady diamantů.

Načtení dat o diamantech a rozdělení na trénovací a testovací sadu

require(SparkR)

# Read diamonds.csv dataset as SparkDataFrame
diamonds <- read.df("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv",
                  source = "com.databricks.spark.csv", header="true", inferSchema = "true")
diamonds <- withColumnRenamed(diamonds, "", "rowID")

# Split data into Training set and Test set
trainingData <- sample(diamonds, FALSE, 0.7)
testData <- except(diamonds, trainingData)

# Exclude rowIDs
trainingData <- trainingData[, -1]
testData <- testData[, -1]

print(count(diamonds))
print(count(trainingData))
print(count(testData))

head(trainingData)

Trénování lineárního regresního modelu pomocí glm()

Tato část ukazuje, jak předpovědět cenu diamantu z jejích funkcí trénováním modelu lineární regrese pomocí trénovacích dat.

Existuje kombinace kategorických funkcí (cut - Ideal, Premium, Very Good...) a souvislých funkcí (hloubka, karat). SparkR tyto funkce automaticky kóduje, takže tyto funkce nemusíte kódovat ručně.

# Family = "gaussian" to train a linear regression model
lrModel <- glm(price ~ ., data = trainingData, family = "gaussian")

# Print a summary of the trained model
summary(lrModel)

Pomocí predict() testovacích dat můžete zjistit, jak dobře model funguje s novými daty.

Syntax:predict(model, newData)

Parameters:

  • model: Model MLlib
  • newData: SparkDataFrame, obvykle váš test set

Výstup:SparkDataFrame

# Generate predictions using the trained model
predictions <- predict(lrModel, newData = testData)

# View predictions against mpg column
display(select(predictions, "price", "prediction"))

Vyhodnoťte model.

errors <- select(predictions, predictions$price, predictions$prediction, alias(predictions$price - predictions$prediction, "error"))
display(errors)

# Calculate RMSE
head(select(errors, alias(sqrt(sum(errors$error^2 , na.rm = TRUE) / nrow(errors)), "RMSE")))

Trénování logistického regresního modelu pomocí glm()

Tato část ukazuje, jak na stejné datové sadě vytvořit logistickou regresi, která předpovídá řez kosočtverce na základě některých jeho funkcí.

Logistická regrese v MLlib podporuje binární klasifikaci. Pokud chcete otestovat algoritmus v tomto příkladu, podmnožina dat pro práci se dvěma popisky.

# Subset data to include rows where diamond cut = "Premium" or diamond cut = "Very Good"
trainingDataSub <- subset(trainingData, trainingData$cut %in% c("Premium", "Very Good"))
testDataSub <- subset(testData, testData$cut %in% c("Premium", "Very Good"))

# Family = "binomial" to train a logistic regression model
logrModel <- glm(cut ~ price + color + clarity + depth, data = trainingDataSub, family = "binomial")

# Print summary of the trained model
summary(logrModel)

# Generate predictions using the trained model
predictionsLogR <- predict(logrModel, newData = testDataSub)

# View predictions against label column
display(select(predictionsLogR, "label", "prediction"))

Vyhodnoťte model.

errorsLogR <- select(predictionsLogR, predictionsLogR$label, predictionsLogR$prediction, alias(abs(predictionsLogR$label - predictionsLogR$prediction), "error"))
display(errorsLogR)