Apache Spark中的決策樹

決策樹是在順序決策問題進行分類，預測和促進決策的有效方法。決策樹由兩部分組成：

• 決策(Desion)
• 結(jié)果(Outcome)

決策樹包含三種類型的節(jié)點：

• 根節(jié)點(Root node)：包含所有數(shù)據(jù)的樹的頂層節(jié)點。
• 分割節(jié)點(Splitting node)：將數(shù)據(jù)分配給子組(subgroup)的節(jié)點。
• 終端節(jié)點(Terminal node)：最終決定(即結(jié)果)。

(分割節(jié)點(Splitting node)，僅就離散數(shù)學中的樹的概念而言，就是指分支節(jié)點，下面的翻譯為了強調(diào)"分支"有時會翻譯成分支結(jié)點，譯者注)

為了抵達終端結(jié)點或者說獲得結(jié)果，該過程從根節(jié)點開始。根據(jù)在根節(jié)點上做出的決定，選擇分支節(jié)點。基于在分支節(jié)點上做出的決定，選擇下一個子分支節(jié)點。這個過程繼續(xù)下去，直到我們到達終端節(jié)點，終端節(jié)點的值是我們的結(jié)果。

Apache Spark中的決策樹

Apache Spark中沒有決策樹的實現(xiàn)可能聽起來很奇怪。然而從技術(shù)上來說是有的。在Apache Spark中，您可以找到一個隨機森林算法的實現(xiàn)，該算法實現(xiàn)可以由用戶指定樹的數(shù)量。因此，Apache Spark使用一棵樹來調(diào)用隨機森林。

在Apache Spark中，決策樹是在特征空間上執(zhí)行遞歸二進制分割的貪婪算法。樹給每個***部(即葉子結(jié)點)分區(qū)預測了相同的標簽。為了***化樹的節(jié)點處的信息增益，通過在一組可能的分支中選擇其中的***分割來貪婪地選擇每個分支結(jié)點。

節(jié)點不純度(impurity)是節(jié)點上標簽一致性的度量。目前的實施提供了兩種不純的分類方法(Gini雜質(zhì)和熵(Gini impurity and entropy))。

停止規(guī)則

在滿足以下列條件之一的情況下，在節(jié)點處停止遞歸樹構(gòu)建(即只要滿足一個就停止，譯者注)：

• 節(jié)點深度等于訓練用的 maxDepth 參數(shù)。
• 沒有候選的分割結(jié)點導致信息收益大于 minInfoGain 。
• 沒有候選的分割結(jié)點去產(chǎn)生(至少擁有訓練minInstancesPerNode實例)的子節(jié)點 。

有用的參數(shù)

• algo：它可以是分類或回歸。
• numClasses：分類類的數(shù)量。
• maxDepth：根據(jù)節(jié)點定義樹的深度。
• minInstancesPerNode：對于要進一步拆分的節(jié)點，其每個子節(jié)點必須至少接收到這樣的訓練實例數(shù)(即實例數(shù)必須等于這個參數(shù))。
• minInfoGain：對于一個節(jié)點進一步拆分，必須滿足拆分后至少提高這么多信息量。
• maxBins：離散連續(xù)特征時使用的bin數(shù)。

準備決策樹的訓練數(shù)據(jù)

您不能直接向決策樹提供任何數(shù)據(jù)。它需要一種特殊的格式來提供。您可以使用 HashingTF 技術(shù)將訓練數(shù)據(jù)轉(zhuǎn)換為標記數(shù)據(jù)，以便決策樹可以理解。這個過程也被稱為數(shù)據(jù)的標準化。

(數(shù)據(jù))供給和獲得結(jié)果

一旦數(shù)據(jù)被標準化，您就可以提供相同的決策樹算法進來行分類。但在此之前，您需要分割數(shù)據(jù)以用于訓練和測試目的; 為了測試的準確性，你需要保留一部分數(shù)據(jù)進行測試。你可以像這樣提供數(shù)據(jù)：

al splits = data.randomSplit(Array(0.7, 0.3)) 
val (trainingData, testData) = (splits(0), splits(1)) 
 
// Train a DecisionTree model. 
// Empty categoricalFeaturesInfo indicates all features are continuous. 
 
val numClasses = 2 
val categoricalFeaturesInfo = Map[Int, Int]() 
val impurity = "gini" 
val maxDepth = 5 
val maxBins = 32 
val model = DecisionTree.trainClassifier(trainingData, numClasses, categoricalFeaturesInfo, 
impurity, maxDepth, maxBins) 

在這里，數(shù)據(jù)是我的標準化輸入數(shù)據(jù)，為了訓練和測試目的，我將其分成7：3的比例。我們正在使用***深度的為5的"gini" 雜質(zhì)("gini" impurity)。

一旦模型生成，您也可以嘗試預測其他數(shù)據(jù)的分類。但在此之前，我們需要驗證最近生成的模型的分類準確性。您可以通過計算"test error"來驗證其準確性。

/ Evaluate model on test instances and compute test error 
val labelAndPreds = testData.map { point => 
val prediction = model.predict(point.features) 
(point.label, prediction) 
} 
 
val testErr = labelAndPreds.filter(r => r._1 != r._2).count().toDouble / testData.count() 
println("Test Error = " + testErr) 

就是這樣!你可以在這里查看一個正在運行的例子。