通过

HyperParameterTuning - 对抗乳腺癌

  • 项目

本教程介绍如何使用 SynapseML 来确定所选分类器的最佳超参数组合，最终生成更准确、更可靠的模型。 为了演示这一点，我们将演示如何执行分布式随机网格搜索超参数优化，以构建模型来识别乳腺癌。

1 - 设置依赖项

首先导入 pandas 并设置 Spark 会话。

import pandas as pd
from pyspark.sql import SparkSession

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

接下来，读取数据并将其拆分为优化集和测试集。

data = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/BreastCancer.parquet"
).cache()
tune, test = data.randomSplit([0.80, 0.20])
tune.limit(10).toPandas()

定义要使用的模型。

from synapse.ml.automl import TuneHyperparameters
from synapse.ml.train import TrainClassifier
from pyspark.ml.classification import (
    LogisticRegression,
    RandomForestClassifier,
    GBTClassifier,
)

logReg = LogisticRegression()
randForest = RandomForestClassifier()
gbt = GBTClassifier()
smlmodels = [logReg, randForest, gbt]
mmlmodels = [TrainClassifier(model=model, labelCol="Label") for model in smlmodels]

2 - 使用 AutoML 查找最佳模型

从 synapse.ml.automl 导入 SynapseML 的 AutoML 类。 使用 HyperparamBuilder 指定超参数。 添加 DiscreteHyperParam 或 RangeHyperParam 超参数。 TuneHyperparameters 将从均匀分布中随机选择值：

from synapse.ml.automl import *

paramBuilder = (
    HyperparamBuilder()
    .addHyperparam(logReg, logReg.regParam, RangeHyperParam(0.1, 0.3))
    .addHyperparam(randForest, randForest.numTrees, DiscreteHyperParam([5, 10]))
    .addHyperparam(randForest, randForest.maxDepth, DiscreteHyperParam([3, 5]))
    .addHyperparam(gbt, gbt.maxBins, RangeHyperParam(8, 16))
    .addHyperparam(gbt, gbt.maxDepth, DiscreteHyperParam([3, 5]))
)
searchSpace = paramBuilder.build()
# The search space is a list of params to tuples of estimator and hyperparam
print(searchSpace)
randomSpace = RandomSpace(searchSpace)

接下来，运行 TuneHyperparameters 以获取最佳模型。

bestModel = TuneHyperparameters(
    evaluationMetric="accuracy",
    models=mmlmodels,
    numFolds=2,
    numRuns=len(mmlmodels) * 2,
    parallelism=1,
    paramSpace=randomSpace.space(),
    seed=0,
).fit(tune)

3 - 评估模型

我们可以查看最佳模型的参数并检索基础最佳模型管道

print(bestModel.getBestModelInfo())
print(bestModel.getBestModel())

我们可以根据测试集进行评分并查看指标。

from synapse.ml.train import ComputeModelStatistics

prediction = bestModel.transform(test)
metrics = ComputeModelStatistics().transform(prediction)
metrics.limit(10).toPandas()

相关内容