Machine Learning on Spark——统计基础(二)
来源:互联网 发布:java中方法的返回值 编辑:程序博客网 时间:2024/06/06 02:40
本节主要内容
- Correlation 相关性分析
- 分层采样(Stratified sampling)
- 随机数据生成(Random data generation)
1. Correlation 相关性分析
相关性分析用于研究两个随机变量之间的依赖关系,它是统计学当中的一种十分重要的方法,在Spark中只实现了两种相关性分析方法,分别是皮尔逊(Pearson)与斯皮尔曼(Spearman)相关性分析方法,具体可参见。皮尔逊(Pearson)相关系数(具体参见:https://en.wikipedia.org/wiki/Correlation_coefficient)定义如下:
其中,协方差有如下定义形式:
方差具有如下定义形式:
标准差具有如下定义形式:
上述公式中的方差、标准差只能用来描述一维数据,协方差的意义在于其能够描述多维数据,如果结果为正值,则说明两者是正相关的,为负值则为负相关,值为0,则表示两者不相关,从上述几个公式的定义可以推出下列公式:
协方差可以将数据扩展到二维,对于n维数据,就需要计算
个协方差,此时自然而然地将其组织为协方差矩阵,例如一个三维变量x,y,z构成的协方差矩阵具有如下形式:
从上面的图可以看到:协方差矩阵是一个对称的矩阵,而且对角线是各个维度的方差。皮尔逊(Pearson)相关系数通过协方差矩阵便可得到。PearsonCorrelation在Spark中是私有成员,不能直接访问,使用时仍然是通过Statistics对象进行
import org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.mllib.stat._import org.apache.spark.rdd.RDDimport org.apache.spark.mllib.linalg.Vectorsimport org.apache.spark.mllib.linalg.{Matrix, Vector}object CorrelationDemo extends App { val sparkConf = new SparkConf().setAppName("StatisticsDemo").setMaster("spark://sparkmaster:7077") val sc = new SparkContext(sparkConf) val rdd1:RDD[Double] = sc.parallelize(Array(11.0, 21.0, 13.0, 14.0)) val rdd2:RDD[Double] = sc.parallelize(Array(11.0, 20.0, 13.0, 16.0)) //两个rdd间的相关性 //返回值:correlation: Double = 0.959034501397483 //[-1, 1],值越接近于1,其相关度越高 val correlation:Double = Statistics.corr(rdd1, rdd2, "pearson") val rdd3:RDD[Vector]= sc.parallelize( Array( Array(1.0,2.0,3.0,4.0), Array(2.0,3.0,4.0,5.0), Array(3.0,4.0,5.0,6.0) ) ).map(f => Vectors.dense(f)) //correlation3: org.apache.spark.mllib.linalg.Matrix = //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 val correlation3:Matrix = Statistics.corr(rdd3, "pearson")}
假设某工厂通过随机抽样得到考试成绩与产量之间的关系数据如下:
直观地看,成绩越高产量越高,如果使用pearson相关系数,将得到如下结果:
val rdd4:RDD[Double] = sc.parallelize(Array(50.0, 60.0, 70.0, 80.0,90.0,95.0)) val rdd5:RDD[Double] = sc.parallelize(Array(500.0, 510.0, 530.0, 580.0,560,1000))//执行结果为://correlation4: Double = 0.6915716600436548val correlation4:Double = Statistics.corr(rdd4, rdd5, "pearson")
但其实从我们观察的数据来看,它们应该是高度相关的,虽然0.69也一定程度地反应了数据间的相关性,但表达力仍然不够,为此可以引入Spearman相关系数(参见http://www.360doc.com/content/08/1228/23/50235_2219531.shtml),如表中的第四、第五列数据,通过将成绩和产量替换成等级,那它们之间的相关度会明显提高,这样的话表达能力更强,如下列代码所示:
//采用spearman相关系数//执行结果://correlation5: Double = 0.9428571428571412 val correlation5:Double = Statistics.corr(rdd4, rdd5, "spearman")
从上面的执行结果来看,相关性从pearson的值0.6915716600436548提高到了0.9428571428571412。由于利用的等级相关,因而spearman相关性分析也称为spearman等级相关分析或等级差数法,但需要注意的是spearman相关性分析方法涉及到等级的排序问题,在分布式环境下的排序可能会涉及到大量的网络IO操作,算法效率不是特别高。
2. 分层采样(Stratified sampling)
本小节使用spark自带的README.md文件进行相应的演示操作
package cn.ml.statimport org.apache.spark.SparkContextimport org.apache.spark.SparkContext._import org.apache.spark.rdd.PairRDDFunctionsimport org.apache.spark.SparkConfobject StratifiedSampleDemo extends App { val sparkConf = new SparkConf().setAppName("StatisticsDemo").setMaster("spark://sparkmaster:7077") val sc = new SparkContext(sparkConf) //读取HDFS上的README.md文件val textFile = sc.textFile("/README.md")//wordCount操作,返回(K,V)汇总结果val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)//定义key为spark,采样比率为0.5val fractions: Map[String, Double] = Map("Spark"->0.5)//使用sampleByKey方法进行采样val approxSample = wordCounts.sampleByKey(false, fractions)//使用sampleByKeyExact方法进行采样,该方法资源消耗较sampleByKey更大//但采样后的大小与预期大小更接近,可信度达到99.99%val exactSample = wordCounts.sampleByKeyExact(false, fractions)}
3. 随机数据生成(Random data generation)
scala> import org.apache.spark.SparkContextimport org.apache.spark.SparkContextscala> import org.apache.spark.mllib.random.RandomRDDs._import org.apache.spark.mllib.random.RandomRDDs._//生成100个服从标准正态分面N(0,1)的随机RDD数据,10为指定的分区数scala> val u = normalRDD(sc, 100L, 10)u: org.apache.spark.rdd.RDD[Double] = RandomRDD[26] at RDD at RandomRDD.scala:38//转换使其服从N(1,4)的正太分布scala> val v = u.map(x => 1.0 + 2.0 * x)v: org.apache.spark.rdd.RDD[Double] = MapPartitionsRDD[27] at map at <console>:27
- Machine Learning on Spark——统计基础(二)
- Machine Learning on Spark—— 统计基础(一)
- Machine Learning on Spark——第四节 统计基础(二)
- Machine Learning On Spark——基础数据结构(二)
- Machine Learning on Spark——第三节 统计基础(一)
- Machine Learning On Spark——第二节:基础数据结构(二)
- Machine Learning On Spark——第一节:基础数据结构(一)
- Machine Learning On Spark——基础数据结构(一)
- spark on machine learning--基本统计
- spark on machine learning--数据类型
- Machine Learning on Spark--Data Type
- Machine Learning on Spark -- Basic Statistics
- [机器学习基础] Notes on Machine Learning
- Spark Machine Learning 总览
- Machine Learning—Online Learning
- Machine Learning—决策树
- Spark入门到精通视频学习资料--第六章:Machine Learning on Spark(1讲)
- Apache Spark Machine Learning Tutorial
- LSTM(Long-Short Term Memory)与GRU(Gated Recurrent Unit )
- 虚拟机中的windows 系统按下字母键会打出数字
- Sql server的游标使用
- 文章标题
- Spring MVC第一节课 环境搭建
- Machine Learning on Spark——统计基础(二)
- G128的RTI时间设置
- php编程规范
- C语言读取文本文件字符串内容不对,可能是文本编码问题
- QBC检索方式
- Android 开发总结分享(一)挖坑与填坑
- SQL查询方式
- python如何利用cookies直接扒取用户登陆过后的网页
- Cannot debug application from module app on device