Udostępnij za pośrednictwem

Zadania klasyfikacji przy użyciu usługi SynapseML

  • Artykuł

W tym artykule wykonasz to samo zadanie klasyfikacji na dwa różne sposoby: raz przy użyciu zwykłego pyspark synapseml i raz przy użyciu biblioteki. Dwie metody dają taką samą wydajność, ale podkreśla prostotę użycia synapseml w porównaniu z pyspark.

Zadaniem jest przewidywanie, czy recenzja książki sprzedanej przez klienta na Amazon jest dobra (ocena > 3) czy zła na podstawie tekstu przeglądu. Można to osiągnąć, szkoląc uczniów LogisticsRegression przy użyciu różnych hiperparametrów i wybierając najlepszy model.

Wymagania wstępne

Dołącz notes do magazynu lakehouse. Po lewej stronie wybierz pozycję Dodaj , aby dodać istniejący obiekt lakehouse lub utworzyć jezioro.

Konfiguracja

Zaimportuj niezbędne biblioteki języka Python i uzyskaj sesję platformy Spark.

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

Odczytywanie danych

Pobierz i odczytaj dane.

rawData = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/BookReviewsFromAmazon10K.parquet"
)
rawData.show(5)

Wyodrębnianie funkcji i przetwarzanie danych

Rzeczywiste dane są bardziej złożone niż powyższy zestaw danych. Zestaw danych często zawiera funkcje wielu typów, takie jak tekst, numeryczne i podzielone na kategorie. Aby zilustrować, jak trudno jest pracować z tymi zestawami danych, dodaj do zestawu danych dwie funkcje liczbowe: liczbę słów recenzji i średnią długość słowa.

from pyspark.sql.functions import udf
from pyspark.sql.types import *


def wordCount(s):
    return len(s.split())


def wordLength(s):
    import numpy as np

    ss = [len(w) for w in s.split()]
    return round(float(np.mean(ss)), 2)


wordLengthUDF = udf(wordLength, DoubleType())
wordCountUDF = udf(wordCount, IntegerType())

from synapse.ml.stages import UDFTransformer

wordLength = "wordLength"
wordCount = "wordCount"
wordLengthTransformer = UDFTransformer(
    inputCol="text", outputCol=wordLength, udf=wordLengthUDF
)
wordCountTransformer = UDFTransformer(
    inputCol="text", outputCol=wordCount, udf=wordCountUDF
)

from pyspark.ml import Pipeline

data = (
    Pipeline(stages=[wordLengthTransformer, wordCountTransformer])
    .fit(rawData)
    .transform(rawData)
    .withColumn("label", rawData["rating"] > 3)
    .drop("rating")
)

data.show(5)

Klasyfikowanie przy użyciu narzędzia pyspark

Aby wybrać najlepszy klasyfikator LogisticsRegression przy użyciu pyspark biblioteki, należy jawnie wykonać następujące czynności:

  1. Przetwarzanie funkcji:
    • Tokenizowanie kolumny tekstowej
    • Skrót kolumny tokenizowanej do wektora przy użyciu skrótu
    • Scalanie cech liczbowych z wektorem
  2. Przetwarzanie kolumny etykiety: rzutowanie jej do odpowiedniego typu.
  3. Trenowanie wielu algorytmów LogisticsRegression w zestawie danych przy train użyciu różnych hiperparametrów
  4. Oblicz obszar pod krzywą ROC dla każdego z wytrenowanych modeli i wybierz model o najwyższej metryce obliczonej test na zestawie danych
  5. Ocena najlepszego modelu na validation zestawie
from pyspark.ml.feature import Tokenizer, HashingTF
from pyspark.ml.feature import VectorAssembler

# Featurize text column
tokenizer = Tokenizer(inputCol="text", outputCol="tokenizedText")
numFeatures = 10000
hashingScheme = HashingTF(
    inputCol="tokenizedText", outputCol="TextFeatures", numFeatures=numFeatures
)
tokenizedData = tokenizer.transform(data)
featurizedData = hashingScheme.transform(tokenizedData)

# Merge text and numeric features in one feature column
featureColumnsArray = ["TextFeatures", "wordCount", "wordLength"]
assembler = VectorAssembler(inputCols=featureColumnsArray, outputCol="features")
assembledData = assembler.transform(featurizedData)

# Select only columns of interest
# Convert rating column from boolean to int
processedData = assembledData.select("label", "features").withColumn(
    "label", assembledData.label.cast(IntegerType())
)

from pyspark.ml.evaluation import BinaryClassificationEvaluator
from pyspark.ml.classification import LogisticRegression

# Prepare data for learning
train, test, validation = processedData.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
evaluator = BinaryClassificationEvaluator(
    rawPredictionCol="rawPrediction", metricName="areaUnderROC"
)
metrics = []
models = []

# Select the best model
for learner in logisticRegressions:
    model = learner.fit(train)
    models.append(model)
    scoredData = model.transform(test)
    metrics.append(evaluator.evaluate(scoredData))
bestMetric = max(metrics)
bestModel = models[metrics.index(bestMetric)]

# Get AUC on the validation dataset
scoredVal = bestModel.transform(validation)
print(evaluator.evaluate(scoredVal))

Klasyfikowanie przy użyciu usługi SynapseML

Kroki wymagane w programie synapseml są prostsze:

  1. Narzędzie TrainClassifier do szacowania cechuje dane wewnętrznie, o ile kolumny wybrane w zestawie traintestvalidation danych reprezentują funkcje

  2. Narzędzie FindBestModel do szacowania znajduje najlepszy model z puli wytrenowanych modeli, wyszukując model, który najlepiej sprawdza się w test zestawie danych, biorąc pod uwagę określoną metrykę

  3. Funkcja ComputeModelStatistics Transformer oblicza różne metryki na ocenianym zestawie danych (w naszym przypadku validation zestaw danych) w tym samym czasie

from synapse.ml.train import TrainClassifier, ComputeModelStatistics
from synapse.ml.automl import FindBestModel

# Prepare data for learning
train, test, validation = data.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
lrmodels = [
    TrainClassifier(model=lrm, labelCol="label", numFeatures=10000).fit(train)
    for lrm in logisticRegressions
]

# Select the best model
bestModel = FindBestModel(evaluationMetric="AUC", models=lrmodels).fit(test)


# Get AUC on the validation dataset
predictions = bestModel.transform(validation)
metrics = ComputeModelStatistics().transform(predictions)
print(
    "Best model's AUC on validation set = "
    + "{0:.2f}%".format(metrics.first()["AUC"] * 100)
)

Powiązana zawartość