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,Ir1,2010,1,1,0,NaN,-21.0,-11.0,1021.0,NW,1.79,0.0,0.02,2010,1,1,1,NaN,-21,-12,1020,NW,4.92,0,03,2010,1,1,2,NaN,-21,-11,1019,NW,6.71,0,04,2010,1,1,3,NaN,-21,-14,1019,NW,9.84,0,05,2010,1,1,4,NaN,-20,-12,1018,NW,12.97,0,06,2010,1,1,5,NaN,-19,-10,1017,NW,16.1,0,07,2010,1,1,6,NaN,-19,-9,1017,NW,19.23,0,08,2010,1,1,7,NaN,-19,-9,1017,NW,21.02,0,09,2010,1,1,8,NaN,-19,-9,1017,NW,24.15,0,010,2010,1,1,9,NaN,-20,-8,1017,NW,27.28,0,011,2010,1,1,10,NaN,-19,-7,1017,NW,31.3,0,012,2010,1,1,11,NaN,-18,-5,1017,NW,34.43,0,013,2010,1,1,12,NaN,-19,-5,1015,NW,37.56,0,014,2010,1,1,13,NaN,-18,-3,1015,NW,40.69,0,015,2010,1,1,14,NaN,-18,-2,1014,NW,43.82,0,016,2010,1,1,15,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.Pipeline    val 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").show    val 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)