Spark ML随机森林

随机森林

做分类
做回归，即预测

多个决策树构成，通过多个决策树投票结果分数进行分类，不容易出现过度拟合
在生成的过程当中分别在行方向和列方向上添加随机过程，行方向上构建决策树时采用放回抽样（bootstraping）得到训练数据，列方向上采用无放回随机抽样得到特征子集，并据此得到其最优切分点

Spark ML优化随机森林

在 Spark 平台上，传统单机形式的迭代方式必须要进行相应改进才能适用于分布式环境，这是因为在分布式环境下，数据也是分布式的，算法设计不得当会生成大量的IO 操作，影响算法效率
三个优化策略
1.切分点抽样统计
在单机环境下的决策树对连续变量进行切分点选择时，一般是通过对特征点进行排序，然后取相邻两个数之间的点作为切分点，
如果在分布式环境下如此操作的话，会带来大量的网络传输操作，特别是当数据量达到 PB 级时，算法效率将极为低下
Spark 中的随机森林在构建决策树时，会对各分区采用一定的子特征策略进行抽样，然后生成各个分区的统计数据，并最终得到切分点
2.切分特征装箱（Binning）
决策树的构建过程就是对特征的取值不断进行划分的过程
对于离散的特征，如果有 M 个值，最多个划分
如果值是有序的，那么就最多 M-1 个划分（按老，中，少的序，那么只有 m-1 个，即 2 种划分，老|中，少；老，中|少）
划分的点就是 split（切分点），划分出的区间就是 bin。对于连续特征，理论上 split 是无数的，在分布环境下不可能取出所有的值，因此它采用的是1中的切点抽样统计方法
3.逐层训练（level-wise training）
单机版本的决策数生成过程是通过递归调用（本质上是深度优先）的方式构造树，在构造树的同时，需要移动数据，将同一个子节点的数据移动到一起
分布式环境下采用的策略是逐层构建树节点（本质上是广度优先），这样遍历所有数据的次数等于所有树中的最大层数。每次遍历时，只需要计算每个节点所有切分点统计参数，遍历完后，根据节点的特征划分，决定是否切分，以及如何切分

使用Spark ML分别进行回归与分类建模

0 原数据集的模样

No,year,month,day,hour,pm,DEWP,TEMP,PRES,cbwd,Iws,Is,Ir
1,2010,1,1,0,NaN,-21.0,-11.0,1021.0,NW,1.79,0.0,0.0
2,2010,1,1,1,NaN,-21,-12,1020,NW,4.92,0,0
3,2010,1,1,2,NaN,-21,-11,1019,NW,6.71,0,0
4,2010,1,1,3,NaN,-21,-14,1019,NW,9.84,0,0
5,2010,1,1,4,NaN,-20,-12,1018,NW,12.97,0,0
6,2010,1,1,5,NaN,-19,-10,1017,NW,16.1,0,0
7,2010,1,1,6,NaN,-19,-9,1017,NW,19.23,0,0
8,2010,1,1,7,NaN,-19,-9,1017,NW,21.02,0,0
9,2010,1,1,8,NaN,-19,-9,1017,NW,24.15,0,0
10,2010,1,1,9,NaN,-20,-8,1017,NW,27.28,0,0
11,2010,1,1,10,NaN,-19,-7,1017,NW,31.3,0,0
12,2010,1,1,11,NaN,-18,-5,1017,NW,34.43,0,0
13,2010,1,1,12,NaN,-19,-5,1015,NW,37.56,0,0
14,2010,1,1,13,NaN,-18,-3,1015,NW,40.69,0,0
15,2010,1,1,14,NaN,-18,-2,1014,NW,43.82,0,0
16,2010,1,1,15,NaN,-18,-1,1014,cv,0.89,0,0
……

1 读取pm.csv,将含有缺失值的行扔掉（或用均值填充）将数据集分为两部分，0.8比例作为训练集，0.2比例作为测试集

case class data(No: Int, year: Int, month: Int, day: Int, hour: Int, pm: Double, DEWP: Double, TEMP: Double, PRES: Double, cbwd: String, Iws: Double, Is: Double, Ir: Double)def main(args: Array[String]): Unit = {val conf = new SparkConf().setMaster("local[*]").setAppName("foreast")val sc = new SparkContext(conf)val sqlContext = new SQLContext(sc)Logger.getLogger("org").setLevel(Level.ERROR)val root = MyRandomForeast.getClass.getResource("/")import sqlContext.implicits._val df = sc.textFile(root + "pm.csv").map(_.split(",")).filter(_ (0) != "No").filter(!_.contains("NaN")).map(x => data(x(0).toInt, x(1).toInt, x(2).toInt, x(3).toInt, x(4).toInt, x(5).toDouble, x(6).toDouble, x(7).toDouble, x(8).toDouble, x(9), x(10).toDouble, x(11).toDouble, x(12).toDouble)).toDF.drop("No").drop("year")

2 使用month,day,hour,DEWP,TEMP,PRES,cbwd,Iws,Is,Ir作为特征列（除去No，year，
pm），pm作为label列，使用训练集、随机森林算法进行回归建模，使用回归模型对测试集进行预测，并评估。

val splitdf = df.randomSplit(Array(0.8, 0.2))val (train, test) = (splitdf(0), splitdf(1))val traindf = train.withColumnRenamed("pm", "label")val indexer = new StringIndexer().setInputCol("cbwd").setOutputCol("cbwd_")val assembler = new VectorAssembler().setInputCols(Array("month", "day", "hour", "DEWP", "TEMP", "PRES", "cbwd_", "Iws", "Is", "Ir")).setOutputCol("features")import org.apache.spark.ml.Pipelineval rf = new RandomForestRegressor().setLabelCol("label").setFeaturesCol("features")//    setMaxDepth最大20，会大幅增加计算时间，增大能有效减小根均方误差//setMaxBins我觉得和数据量相关，单独增大适得其反，要和setNumTrees一起增大//目前这个参数得到的评估结果（根均方误差）46.0002637676162//    val numClasses=2//    val categoricalFeaturesInfo = Map[Int, Int]()// Empty categoricalFeaturesInfo indicates all features are continuous.val pipeline = new Pipeline().setStages(Array(indexer, assembler, rf))val model = pipeline.fit(traindf)val testdf = test.withColumnRenamed("pm", "label")val labelsAndPredictions = model.transform(testdf)labelsAndPredictions.select("prediction", "label", "features").show(false)val eva = new RegressionEvaluator().setLabelCol("label").setPredictionCol("prediction")val accuracy = eva.evaluate(labelsAndPredictions)println(accuracy)val treemodel = model.stages(2).asInstanceOf[RandomForestRegressionModel]println("Learned regression forest model:\n" + treemodel.toDebugString)

3 按照下面标准处理pm列，数字结果放进（levelNum）列，字符串结果放进（levelStr）列
优（0） 50
良（1）50~100
轻度污染（2） 100~150
中度污染（3） 150~200
重度污染（4） 200~300
严重污染（5）大于300及以上

//使用Bucketizer特征转换，按区间划分
val splits = Array(Double.NegativeInfinity, 50, 100, 150, 200, 300, Double.PositiveInfinity)val bucketizer = new Bucketizer().setInputCol("pm").setOutputCol("levelNum").setSplits(splits)val bucketizerdf = bucketizer.transform(df)val tempdf = sqlContext.createDataFrame(Seq((0.0, "优"), (1.0, "良"), (2.0, "轻度污染"), (3.0, "中度污染"), (4.0, "重度污染"), (5.0, "严重污染"))).toDF("levelNum", "levelStr")val df2 = bucketizerdf.join(tempdf, "levelNum").drop("pm")df2 show

4 使用month,day,hour,DEWP,TEMP,PRES,cbwd,Iws,Is,Ir作为特征列（除去No，year，pm）,levelNum作为label列，使用训练集、随机森林算法进行分类建模。使用分类模型对测试集进行预测对预测结果df进行处理，基于prediction列生成predictionStr（0-5转换优-严重污染）,对结果进行评估

val splitdf2 = df2.randomSplit(Array(0.8, 0.2))val (train2, test2) = (splitdf2(0), splitdf2(1))val traindf2 = train2.withColumnRenamed("levelNum", "label")val indexer2 = new StringIndexer().setInputCol("cbwd").setOutputCol("cbwd_")val assembler2 = new VectorAssembler().setInputCols(Array("month", "day", "hour", "DEWP", "TEMP", "PRES", "cbwd_", "Iws", "Is", "Ir")).setOutputCol("features")val rf2 = new RandomForestClassifier().setLabelCol("label").setFeaturesCol("features")val pipeline2 = new Pipeline().setStages(Array(indexer2, assembler2, rf2))val model2 = pipeline2.fit(traindf2)val testdf2 = test2.withColumnRenamed("levelNum", "label")val labelsAndPredictions2 = model2.transform(testdf2)labelsAndPredictions2.select("label", "prediction", "features").showval eva2 = new MulticlassClassificationEvaluator().setLabelCol("label").setPredictionCol("prediction").setMetricName("precision")val accuracy2 = eva2.evaluate(labelsAndPredictions2)println("Test Error = " + (1.0 - accuracy2))val treeModel2 = model2.stages(2).asInstanceOf[RandomForestClassificationModel]println("learned classifier tree node:\n" + treeModel2.toDebugString)