【Spark ML 系列】RandomForestClassifier RandomForestClassificationModel原理用法示例源码分析

Spark ML中RandomForestClassifier RandomForestClassificationModel原理示例源码分析点击这里看全文

原理

Spark ML中的随机森林分类器（RandomForestClassifier）是基于集成学习方法的一种分类模型。它由多个决策树组成，每个决策树都是通过对训练数据进行自助采样（bootstrap）和特征随机选择而生成的。

以下是Spark ML中随机森林分类器的工作原理：

1. 数据准备：将输入的训练数据划分为若干个随机子样本。对于每个子样本，从原始数据集中有放回地采样相同数量的样本，形成一个新的训练集。同时，对于每个决策树，还会随机选择一部分特征用于构建树。

2. 决策树的构建：对于每个子样本和随机选择的特征，使用决策树算法（如ID3、C4.5或CART）构建一个决策树模型。决策树的构建过程包括选择最佳的特征进行节点划分、递归地构建子树，直到达到停止条件（如树的深度达到预设值）。

3. 集成学习：将所有构建好的决策树组合成随机森林模型。在分类问题中，每个决策树会根据样本的特征进行预测，并统计最终的类别投票结果。根据多数表决原则，选择票数最多的类别作为随机森林模型的最终预测结果。

4. 特征重要性评估：在随机森林中，每个决策树都可以衡量特征的重要性。通过对所有决策树的特征重要性进行平均，得到整个随机森林模型的特征重要性评估。这可以帮助我们了解哪些特征对于分类结果的贡献更大。

5. 预测：对于新的输入数据，随机森林模型会将该数据传递给每个决策树进行预测，然后根据决策树的投票结果得出最终的分类结果。

随机森林具有以下优点：

• 可以处理大量的训练数据，并能够处理高维度的特征。
• 对于缺失数据和噪声具有一定的鲁棒性。
• 能够评估特征的重要性，用于特征选择和分析。
• 在训练过程中，可以并行构建多个决策树，加快训练速度。

需要注意的是，随机森林模型的性能和泛化能力与决策树的数量、树的深度、特征选择策略等参数相关。在使用随机森林时，需要根据具体问题和数据集进行参数调优，以获得最佳的分类性能。

方法总结

RandomForestClassifier是Spark ML中用于分类任务的随机森林模型。下面是该类的一些重要方法的总结：

• fit(dataset: Dataset[_]): RandomForestClassificationModel：使用给定的训练数据集拟合（训练）随机森林模型，并返回一个训练好的RandomForestClassificationModel对象。

• setFeaturesCol(value: String): RandomForestClassifier：设置输入特征列的名称。

• setPredictionCol(value: String): RandomForestClassifier：设置预测结果列的名称。

• setLabelCol(value: String): RandomForestClassifier：设置标签列的名称，即目标变量。

• setMaxDepth(value: Int): RandomForestClassifier：设置决策树的最大深度。

• setNumTrees(value: Int): RandomForestClassifier：设置随机森林中决策树的数量。

• setSubsamplingRate(value: Double): RandomForestClassifier：设置用于训练每个决策树的样本子集的比例。

• setFeatureSubsetStrategy(value: String): RandomForestClassifier：设置特征子集选择策略，可以是"auto"、“all”、“onethird”、"sqrt"或"log2"之一。

• setSeed(value: Long): RandomForestClassifier：设置随机数生成器的种子。

• setImpurity(value: String): RandomForestClassifier：设置不纯度度量方法，可以是"entropy"（熵）或"gini"（基尼指数）之一。

• setRawPredictionCol(value: String): RandomForestClassifier：设置原始预测结果列的名称。

• setProbabilityCol(value: String): RandomForestClassifier：设置概率预测结果列的名称。

• setWeightCol(value: String): RandomForestClassifier：设置样本权重列的名称。

• setMaxBins(value: Int): RandomForestClassifier：设置连续特征离散化的最大箱数。

• fit(dataset: Dataset[_], paramMaps: Array[ParamMap]): Array[RandomForestClassificationModel]：使用给定的训练数据集和参数网格搜索拟合多个随机森林模型，并返回一个包含多个训练好的模型的数组。

• copy(extra: ParamMap): RandomForestClassifier：复制当前实例，可选地带有额外的参数。

这些方法允许您设置和调整随机森林模型的各种参数，以及在训练过程中控制模型的行为。通过适当选择和设置这些参数，可以优化模型的性能和预测准确度。

示例

以下是使用RandomForestClassifier进行分类任务的示例代码：

import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.ml.feature.{
   
   IndexToString, StringIndexer, VectorAssembler}
import org.apache.spark.ml.Pipeline

// 读取训练数据集
val data = spark.read.format("csv")
  .option("header", "true")
  .option("inferSchema", "true")
  .load("path/to/training_data.csv")

// 创建特征向量列
val featureColumns = Array("feature1", "feature2", "feature3")
val assembler = new VectorAssembler()
  .setInputCols(featureColumns)
  .setOutputCol("features")

val assembledData = assembler.transform(data)

// 对标签进行索引化
val labelIndexer = new StringIndexer()
  .setInputCol("label")
  .setOutputCol("indexedLabel")
  .fit(assembledData)

// 拆分数据集为训练集和测试集
val Array(trainingData, testData) = assembledData.randomSplit(Array(0.7, 0.3))

// 创建随机森林分类器
val rf = new RandomForestClassifier()
  .setLabelCol("indexedLabel")
  .setFeaturesCol("features")
  .setNumTrees(10)

// 将索引化的标签转换回原始标签
val labelConverter = new IndexToString()
  .setInputCol("prediction")
  .setOutputCol("predictedLabel")
  .setLabels(labelIndexer.labels)

// 构建Pipeline
val pipeline = new Pipeline()
  .setStages(Array(labelIndexer, rf, labelConverter))

// 训练模型
val model = pipeline.fit(trainingData)

// 在测试集上进行预测
val predictions = model.transform(testData)

// 评估模型性能
val evaluator = new MulticlassClassificationEvaluator()
  .setLabelCol("indexedLabel")
  .setPredictionCol("prediction")
  .setMetricName("accuracy")

val accuracy = evaluator.evaluate(predictions)
println("Accuracy: " + accuracy)

在这个示例中，首先加载训练数据集，并创建特征向量列。然后对标签进行索引化，并将数据集拆分为训练集和测试集。接下来，创建一个RandomForestClassifier对象，并设置相关参数。然后，使用Pipeline构建一个包含数据转换和模型训练的流水线。通过调用fit方法来训练模型。

最后，在测试集上进行预测并评估模型的性能。在这个示例中，我们使用了多分类准确度（accuracy）作为评估指标。

中文源码

class RandomForestClassifier

/**
 * 随机森林（Random Forest）分类学习算法。
 * 支持二进制和多类标签，以及连续和分类特征。
 */
@Since("1.4.0")
class RandomForestClassifier @Since("1.4.0") (
    @Since("1.4.0") override val uid: String)
  extends ProbabilisticClassifier[Vector, RandomForestClassifier, RandomForestClassificationModel]
  with RandomForestClassifierParams with DefaultParamsWritable {
   
   

  @Since("1.4.0")
  def this() = this(Identifiable.randomUID("rfc"))

  // 为了与Java API兼容性，重写父trait中的参数设置方法。

  // TreeClassifierParams中的参数：

  /** 设置树的最大深度 */
  @Since("1.4.0")
  override def setMaxDepth(value: Int): this.type = set(maxDepth, value)

  /** 设置每个节点的最大分箱数 */
  @Since("1.4.0")
  override def setMaxBins(value: Int): this.type = set(maxBins, value)

  /** 设置每个节点的最小实例数 */
  @Since("1.4.0")
  override def setMinInstancesPerNode(value: Int): this.type = set(minInstancesPerNode, value)

  /** 设置节点分裂所需的最小信息增益 */
  @Since("1.4.0")
  override def setMinInfoGain(value: Double): this.type = set(minInfoGain, value)

  /** 设置算法使用的内存上限 */
  @Since("1.4.0")
  override def setMaxMemoryInMB(value: Int): this.type = set(maxMemoryInMB, value)

  /** 设置是否缓存节点ID */
  @Since("1.4.0")
  override def setCacheNodeIds(value: Boolean): this.type = set(cacheNodeIds, value)

  /**
   * 设置检查点的频率，即多少次迭代进行一次缓存检查点。
   * 仅在设置了cacheNodeIds为true并且在SparkContext中设置了检查点目录时才会使用。
   * 必须至少为1。
   * 默认值为10。
   */
  @Since("1.4.0")
  override def setCheckpointInterval(value: Int): this.type = set(checkpointInterval, value)

  /** 设置不纯度度量方法 */
  @Since("1.4.0")
  override def setImpurity(value: String): this.type = set(impurity, value)

  // TreeEnsembleParams中的参数：

  /** 设置子采样率 */
  @Since("1.4.0")
  override def setSubsamplingRate(value: Double): this.type = set(subsamplingRate, value)

  /** 设置随机种子 */
  @Since("1.4.0")
  override def setSeed(value: Long): this.type = set(seed, value)

  // RandomForestParams中的参数：

  /** 设置树的数量 */
  @Since("1.4.0")
  override def setNumTrees(value: Int): this.type = set(numTrees, value)

  /** 设置特征子集策略 */
  @Since("1.4.0")
  override def setFeatureSubsetStrategy(value: String): this.type =
    set(featureSubsetStrategy, value)

  override protected def train(
      dataset: Dataset[_]): RandomForestClassificationModel = instrumented {
   
    instr =>
    instr.logPipelineStage(this)
    instr.logDataset(dataset)
    val categoricalFeatures: Map[Int, Int] =
      MetadataUtils.getCategoricalFeatures(dataset.schema($(featuresCol)))
    val numClasses: Int = getNumClasses(dataset)

    if (isDefined(thresholds)) {
   
   
      require($(thresholds).length == numClasses, this.getClass.getSimpleName +
        ".train() called with non-matching numClasses and thresholds.length." +
        s" numClasses=$numClasses, but thresholds has length ${
     
     $(thresholds).length}")
    }

    val oldDataset: RDD[LabeledPoint] = extractLabeledPoints(dataset, numClasses)
    val strategy =
      super.getOldStrategy(categoricalFeatures, numClasses, OldAlgo.Classification, getOldImpurity)

    instr.logParams(this, labelCol, featuresCol, predictionCol, probabilityCol, rawPredictionCol,
      impurity, numTrees, featureSubsetStrategy, maxDepth, maxBins, maxMemoryInMB, minInfoGain,
      minInstancesPerNode, seed, subsamplingRate, thresholds, cacheNodeIds, checkpointInterval)

    val trees = RandomForest
      .run(oldDataset, strategy, getNumTrees, getFeatureSubsetStrategy, getSeed, Some(instr))
      .map(_.asInstanceOf[DecisionTreeClassificationModel])

    val numFeatures = oldDataset.first().features.size
    instr.logNumClasses(numClasses)
    instr.logNumFeatures(numFeatures)
    new RandomForestClassificationModel(uid, trees, numFeatures, numClasses)
  }

  @Since("1.4.1")
  override def copy(extra: ParamMap): RandomForestClassifier = defaultCopy(extra)
}

object RandomForestClassifier

object RandomForestClassifier extends DefaultParamsReadable[RandomForestClassifier] {
   
   
  /** 支持的不纯度度量方法：熵（entropy）、基尼指数（gini） */
  @Since("1.4.0")
  final val supportedImpurities: Array[String] = TreeClassifierParams.supportedImpurities

  /** 支持的特征子集策略：自动选择（auto）、全部（all）、三分之一（onethird）、平方根（sqrt）、对数（log2） */
  @Since("1.4.0")
  final val supportedFeatureSubsetStrategies: Array[String] =
    TreeEnsembleParams.supportedFeatureSubsetStrategies

  /** 加载模型 */
  @Since("2.0.0")
  override def load(path: String): RandomForestClassifier = super.load(path)
}

这部分代码定义了RandomForestClassifier对象，提供了一些静态方法和常量：

• supportedImpurities：支持的不纯度度量方法，包括熵（entropy）和基尼指数（gini）。
• supportedFeatureSubsetStrategies：支持的特征子集策略，包括自动选择（auto）、全部（all）、三分之一（onethird）、平方根（sqrt）和对数（log2）。
• load方法：用于加载模型。

class RandomForestClassificationModel

/**
 * 用于分类的随机森林（Random Forest）模型。
 *
 * @param _trees  集成中的决策树数组。
 *                注意：这些树的父节点为null。
 */
@Since("1.4.0")
class RandomForestClassificationModel private[ml] (
    @Since("1.5.0") override val uid: String,
    private val _trees: Array[DecisionTreeClassificationModel],
    @Since("1.6.0") override val numFeatures: Int,
    @Since("1.5.0") override val numClasses: Int)
  extends ProbabilisticClassificationModel[Vector, RandomForestClassificationModel]
  with RandomForestClassifierParams with TreeEnsembleModel[DecisionTreeClassificationModel]
  with MLWritable with Serializable {
   
   

  require(_trees.nonEmpty, "RandomForestClassificationModel requires at least 1 tree.")

  /**
   * 构造随机森林分类模型，所有树的权重相等。
   *
   * @param trees  组成模型的决策树数组
   */
  private[ml] def this(
      trees: Array[DecisionTreeClassificationModel],
      numFeatures: Int,
      numClasses: Int) =
    this(Identifiable.randomUID("rfc"), trees, numFeatures, numClasses)

  @Since("1.4.0")
  override def trees: Array[DecisionTreeClassificationModel] = _trees

  // 注意：我们可能会在以后添加根据树性能进行加权的支持。
  private lazy val _treeWeights: Array[Double] = Array.fill[Double](_trees.length)(1.0)

  @Since("1.4.0")
  override def treeWeights: Array[Double] = _treeWeights

  /**
   * 将模型应用于数据集，生成预测结果的转换操作。
   *
   * @param dataset  输入的数据集
   * @return         包含预测结果的新DataFrame
   */
  override protected def transformImpl(dataset: Dataset[_]): DataFrame = {
   
   
    val bcastModel = dataset.sparkSession.sparkContext.broadcast(this)
    val predictUDF = udf {
   
    (features: Any) =>
      bcastModel.value.predict(features.asInstanceOf[Vector])
    }
    dataset.withColumn($(predictionCol), predictUDF(col($(featuresCol))))
  }

  /**
   * 根据输入特征向量生成原始预测结果。
   *
   * @param features  输入的特征向量
   * @return          原始预测结果向量
   */
  override protected def predictRaw(features: Vector): Vector = {
   
   
    // TODO: 当我们添加通用的Bagging类时，将在那里处理：SPARK-7128
    // 使用多数表决进行分类。
    // 目前忽略树权重，因为都是1.0。
    val votes = Array.fill[Double](numClasses)(0.0)
    _trees.view.foreach {
   
    tree =>
      val classCounts: Array[Double] = tree.rootNode.predictImpl(features).impurityStats.stats
      val total = classCounts.sum
      if (total != 0) {
   
   
        var i = 0
        while (i < numClasses) {
   
   
          votes(i) += classCounts(i) / total
          i += 1
        }
      }
    }
    Vectors.dense(votes)
  }

  /**
   * 将原始预测结果转换为概率结果。
   *
   * @param rawPrediction  原始预测结果向量
   * @return               概率预测结果向量
   */
  override