Spark MLlib特征处理：MinMax最大最小值区间缩放---原理及实战

原理

MLlib中特征值最大最小区间缩放：

参数说明：

E_{max}：特征实际最大值

E_{min}： 特征实际最小值

ei：特征值

max：MLlib 默认最大值1.0

min： MLlib 默认最小值0.0

---

1)当 Emax=Emin

Rescaled(ei)=0.5∗(max+min)

=0.5∗(1.0+0.0）=0.5

---

2)当Emax≠Emin

Rescaled(ei)=ei−EminEmax−Emin∗(max−min)+min

=ei−EminEmax−Emin

实战

import org.apache.spark.ml.feature.MinMaxScalerimport org.apache.spark.sql.SQLContextimport org.apache.spark.{SparkContext, SparkConf}object MinMaxExample {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("MinMaxScalerExample").setMaster("local[8]")    val sc = new SparkContext(conf)    val sqlContext = new SQLContext(sc)    // 读取libsvm格式的数据    // libsvm数据格式：    // 标签  索引位置：值  索引位置：值 ...    // 0 2:51 3:253 5:253    // 1 2:124 3:253 4:255    // 1 2:145 3:253 5:211    // 每条数据5的特征，特征索引从0-4    // 方便理解：每条数据表示成DenseVector格式：    // 0 1:0 2:51  3:253 4:0    5:253    // 1 1:0 2:124 3:253 4:255  5:0    // 1 1:0 2:145 3:253 4:0    5:211    val dataFrame = sqlContext.read.format("libsvm").load("data/libsvm.txt")    val scaler = new MinMaxScaler().setInputCol("features").setOutputCol("scaledFeatures")    // fit  每一特征最大最小值    // max：Vector(0,145,253,255,253)    // min: Vector(0,51,253,0,0)    val scalerModel = scaler.fit(dataFrame)    // transform  最大最小区间转换    // 1) 如果该特征值max = min  ==> 0.5    // 2) 如果该特征值max != min ==> (values-min)/(max-min)    // 3) 返回DenseVector    val scaledData = scalerModel.transform(dataFrame)    scaledData.foreach(println)    sc.stop()    // 输出    // [0.0,(5,[1,2,4],[51.0,253.0,253.0]),[0.5,0.0,0.5,0.0,1.0]]    // [1.0,(5,[1,2,4],[145.0,253.0,211.0]),[0.5,1.0,0.5,0.0,0.83399209486166]]    // [1.0,(5,[1,2,3],[124.0,253.0,255.0]),[0.5,0.776595744680851,0.5,1.0,0.0]]  }}