基于spark构建逻辑回归

本文通过使用 Apache Spark 的 MLlib 库实现了一次完整的机器学习流程,包括数据预处理、特征工程、模型训练及评估。从加载数据到构建并评估逻辑回归模型,详细介绍了每个步骤的操作方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

from __future__ import print_function
from pyspark.sql import Row
from pyspark.sql import SQLContext
from pyspark import SparkContext
from pyspark.ml.classification import LogisticRegression
from pyspark.ml import Pipeline
from pyspark.ml.evaluation import BinaryClassificationEvaluator
from pyspark.ml.feature import HashingTF, Tokenizer
from pyspark.ml.tuning import CrossValidator, ParamGridBuilder
from pyspark.ml.feature import PCA
from pyspark.mllib.linalg import Vectors
from pyspark.ml.feature import StandardScaler




print ('666')


sc=SparkContext()
good=sc.textFile("hdfs://master:9000/usr/bad/test")
print ('888')
df=good.map(lambda x:x.split(','))
i=df.take(2)
print(i)


sqlContext=SQLContext(sc)
data=sqlContext.createDataFrame(df,["id","b","c","d","e","f","g","h","i","j","k"])
data.show(6,False)
h=data.printSchema
print(h)


label_set = data.map(lambda x: x[10]).distinct().collect()
label_dict = dict()                                #此句为构建一个空白的字典
i = 0
for key in label_set:
    if key not in label_dict.keys():      #label_dict.keys()中keys()表示字典里边的键值对,意思为如果key没有在字典中出现,那么记录此key的值为i,key和keys没有关系。
        label_dict[key ]= i
        i = i+1
print(label_dict)
print('999')
data1=data.map(lambda x: ([x[i] for i in range(10)],label_dict[x[10]])).\                                 #第一个map将数据集映射为两个部分,分为了x和y两部分
           map(lambda (x,y): [float(x[0]), float(x[1]),float(x[2]),float(x[3]),float(x[4]),float(x[5]),     #第二个map将上一个map中的x转换为数值类型,y不动
               float(x[6]),float(x[7]),int(float(x[8])),int(float(x[9])),y])


print('1010')
data2 = sqlContext.createDataFrame(data1,['a',"b","c","d","e","f","g","h","i","j","id"])
print('111111')
data2.show(5, False)
s=data2.printSchema
print(s)


print('8595')
data3 = data2.map(lambda x:(Vectors.dense([x[i] for i in range(0,10)]),float(x[10])))      #将所有自变量组合成一个特征向量,以符合算法需要的数据类型
print(data3)
feature_data = sqlContext.createDataFrame(data3, ['features', 'id'])


print('7878')
train_data, test_data = feature_data.randomSplit([0.7, 0.3], 6)        #分割数据集


scaler = StandardScaler(inputCol='features', outputCol='scaledFeatures',withStd=True, withMean=False)   
pca = PCA(k=2, inputCol="scaledFeatures", outputCol="pcaFeatures")
lr = LogisticRegression(maxIter=10, featuresCol='pcaFeatures', labelCol='id')


print('6565')
pipeline = Pipeline(stages=[scaler, pca, lr])
Model = pipeline.fit(train_data)
results = Model.transform(test_data)


results.show()





最后评估模型,构建混淆矩阵
from pyspark.mllib.evaluation import MulticlassMetrics
predictionAndLabels = results.select('probability', 'prediction', 'prediction').map(lambda x: (x[1], x[2]))
metrics = MulticlassMetrics(predictionAndLabels)
table=metrics.confusionMatrix().toArray()

print(table)



标注:代码为复制人的代码,换了自己的数据。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值