Spark机器学习——模型选择与参数调优之交叉验证

spark 模型选择与超参调优

如何选择最优的模型，就是本篇的主要内容：

模型验证的方法

超参数的选择

评估函数的选择

模型验证的方法

在《统计学习方法》这本书中，曾经讲过模型验证的方法有三种，分别是

简单的交叉验证

，

S折交叉验证

，

留一交叉验证

简单的交叉验证

即把全部数据按照比例分割成两部分，分别是训练集和测试集。在训练集训练模型，在测试集测试效果，最终选择一个代价比较小的结果。一般是0.75。

S折交叉验证

设置S为一个数，一般是3或者10居多。如果是3，那么前2份作为训练集，最后一份作为测试集。

留一交叉验证

如果S的个数正好是样本的容量，就是留一交叉验证。

PS:

训练集是用于训练模型，测试集适用于判断此次训练效果。

在Spark MLLib中，为我们提供了两种验证方法，分别是

Cross-Validation

： S折交叉验证

Train-ValidationSplit

：简单交叉验证

超参数的选择

在Spark MLLib中，超参数可以通过上面的验证方法，作为参数传进去：

// 定义超参数集合
val paramGrid = new ParamGridBuilder()
.addGrid(hashingTF.numFeatures, Array(10, 100, 1000))
.addGrid(lr.regParam, Array(0.1, 0.01))
.build()
// 定义验证器
val cv = new CrossValidator()
.setEstimator(pipeline)
.setEvaluator(new BinaryClassificationEvaluator)
.setEstimatorParamMaps(paramGrid)
.setNumFolds(2)  // Use 3+ in practice

其中hashingTF给设置了3个参数、lr给了2个参数，如果正常我们想要验证这6个参数的组合，应该需要验证6次。但是在Spark中，基于Validator可以一次性验证出来，并自动选择最后代价最小的那个。

PS

上面S折交叉验证中S的参数为2，因此内部只有一个训练集；如果是3，那么最终运行的训练次数将会是

（3*2）*2 = 12

次。

评估函数的确定

Spark提供了三种评估函数：

RegressionEvaluator

用于回归预测的问题

BinaryClassificationEvaluator

用于二分类问题

MulticlassClassificationEvaluator

用于多分类问题

详细的代码，可以参考：

http://spark.apache.org/docs/latest/ml-tuning.html