时间戳

首页 > 解决方案 > 使用 Apache Spark ML，您如何转换（用于预测）没有标签的数据集？

apache-spark - 使用 Apache Spark ML，您如何转换（用于预测）没有标签的数据集？

问题描述

我确信我在理解 Spark ML 的管道方面存在差距。

我有一个针对一组数据进行训练的管道，其架构为“标签”、“评论”（两个字符串）。我的管道转换“标签”，添加“indexedLabel”，并通过标记化“评论”，然后HashingTF（以“vectorizedComment”结尾）管道LogisticRegression以标签列“indexedLabel”和特征列“vectorizedComment”结束。

而且效果很好！我可以适应我的管道并获得一个管道模型，它可以整天转换带有“标签”、“评论”的数据集！但是，我的目标是能够抛出仅包含“评论”的数据集，因为“标签”仅用于训练模型目的。

我相信我在理解管道预测的工作原理方面存在差距 - 有人可以为我指出吗？

标签： apache-sparkapache-spark-mllibapache-spark-ml

解决方案

标签的转换可以在管道之外（即之前）完成。该标签仅在训练期间是必需的，而不是在管道/模型的实际使用期间。通过在管道中执行标签转换，任何数据帧都需要有一个不需要的标签列。

小例子：

val indexer = new StringIndexer()
  .setInputCol("label")
  .setOutputCol("indexedLabel")

val df2 = indexer.fit(df).transform(df)

// Create pipeline with other stages and use df2 to fit it

或者，您可以有两个单独的管道。一种包括在训练期间使用的标签转换，另一种则没有。确保其他阶段在两个管道中引用相同的对象。

val indexer = new StringIndexer()
  .setInputCol("label")
  .setOutputCol("indexedLabel")

// Create feature transformers and add to the pipelines

val pipelineTraining = new Pipeline().setStages(Array(indexer, ...))
val pipelineUsage = new Pipeline().setStages(Array(...))

推荐阅读