apache-spark - PySpark LinearRegressionWithSGD，模型预测维度不匹配

Question

我遇到了以下错误:

AssertionError: dimension mismatch

我使用 PySpark 的 LinearRegressionWithSGD 训练了一个线性回归模型。然而，当我尝试对训练集进行预测时，出现“维度不匹配”错误。

值得一提的是:

1. 使用 StandardScaler 缩放数据，但预测值未缩放。
2. 从代码中可以看出，用于训练的特征是由 PCA 生成的。

一些代码:

pca_transformed = pca_model.transform(data_std)
X = pca_transformed.map(lambda x: (x[0], x[1]))
data = train_votes.zip(pca_transformed)
labeled_data = data.map(lambda x : LabeledPoint(x[0], x[1:]))
linear_regression_model = LinearRegressionWithSGD.train(labeled_data, iterations=10)

预测是错误的根源，这些是我尝试过的变体:

pred = linear_regression_model.predict(pca_transformed.collect())
pred = linear_regression_model.predict([pca_transformed.collect()])    
pred = linear_regression_model.predict(X.collect())
pred = linear_regression_model.predict([X.collect()])

回归权重:

DenseVector([1.8509, 81435.7615])

使用的向量:

pca_transformed.take(1)
[DenseVector([-0.1745, -1.8936])]

X.take(1)
[(-0.17449817243564397, -1.8935926689554488)]

labeled_data.take(1)
[LabeledPoint(22221.0, [-0.174498172436,-1.89359266896])]

Answer 1

这有效:

pred = linear_regression_model.predict(pca_transformed)

pca_transformed 是 RDD 类型。

function以不同方式处理 RDD 和数组:

def predict(self, x):
    """
    Predict the value of the dependent variable given a vector or
    an RDD of vectors containing values for the independent variables.
    """
    if isinstance(x, RDD):
        return x.map(self.predict)
    x = _convert_to_vector(x)
    return self.weights.dot(x) + self.intercept

当使用简单数组时，可能会出现维度不匹配的问题(如上问题中的错误)。

可以看出，如果 x 不是 RDD，它将被转换为向量。问题是，除非您采用 x[0]，否则点积将不起作用。

这是重现的错误:

j = _convert_to_vector(pca_transformed.take(1))
linear_regression_model.weights.dot(j) + linear_regression_model.intercept

这工作得很好:

j = _convert_to_vector(pca_transformed.take(1))
linear_regression_model.weights.dot(j[0]) + linear_regression_model.intercept