apache-spark - Spark : Running Backwards Elimination By P-Value With Linear Regressions

Question

我目前有一个包含 2 列的 Spark Dataframe:1) 每行包含预测特征向量的列2) 包含要预测的值的列。

为了辨别在以后的模型中使用的最具预测性的特征，我使用 P 值进行向后消除，如this article所述。 。下面是我的代码:

num_vars = scoresDf.select("filtered_features").take(1)[0][0].__len__()
for i in range(0, num_vars):
    model = LinearRegression(featuresCol="filtered_features", labelCol="averageScore")
    model = model.fit(scoresDf)
    p_values = model.summary.pValues
    max_p = np.max(p_values)
    if max_p > 0.05:
        max_index = p_values.index(max_p)
        drop_max_index_udf = udf(lambda elem, drop_index, var_count:
                                 Vectors.dense([elem[j] for j in range(var_count) if j not in [drop_index]]), VectorUDT())
        scoresDfs = scoresDf.withColumn("filtered_features", drop_max_index_udf(scoresDf["filtered_features"],
                                                                               lit(max_index), lit(num_vars)))
        num_vars = scoresDf.select("filtered_features").take(1)[0][0].__len__()

代码可以运行，但唯一的问题是每次迭代所花费的时间都比上一次要长得多。基于this question的答案，看起来代码每次都会重新评估所有先前的迭代。

理想情况下，我想将整个逻辑输入到某个管道结构中，该结构将延迟存储所有内容，然后在调用时按顺序执行而不会重复，但我不确定这是否可能，因为 Spark 中没有一个估计器/变压器函数似乎适合这个用例。

任何指导将不胜感激，谢谢!

Answer 1

您正在循环内重复创建模型。这是一个耗时的过程，需要每个训练数据集和一组参数完成一次。尝试以下操作 -

num_vars = scoresDf.select("filtered_features").take(1)[0][0].__len__()
modelAlgo = LinearRegression(featuresCol="filtered_features", labelCol="averageScore")
model = modelAlgo.fit(scoresDf)

for i in range(0, num_vars):

    p_values = model.summary.pValues
    max_p = np.max(p_values)
    if max_p > 0.05:
        max_index = p_values.index(max_p)
        drop_max_index_udf = udf(lambda elem, drop_index, var_count:
                                 Vectors.dense([elem[j] for j in range(var_count) if j not in [drop_index]]), VectorUDT())
        scoresDfs = scoresDf.withColumn("filtered_features", drop_max_index_udf(scoresDf["filtered_features"],
                                                                               lit(max_index), lit(num_vars)))
        num_vars = scoresDf.select("filtered_features").take(1)[0][0].__len__()

一旦您对模型感到满意，就可以保存它。当您需要评估数据时，只需阅读此模型并用它进行预测即可。