apache-spark - 斯卡拉 Spark : Calculate grouped-by AUC

Question

我正在尝试使用 Scala API 计算按关键字段分组的 AUC(ROC 下的面积)，类似于以下问题:PySpark: Calculate grouped-by AUC .

不幸的是，我不能使用sklearn。我该如何进行？

Answer 1

我们将使用 sklearn/mllib 中使用的相同方法，即 Trapezoidal rule .这是一种用于逼近定积分的技术。

非常简单，您可以在 source code 中找到相同的代码.

def trapezoid(points: Seq[(Double, Double)]): Double = {
    require(points.length == 2)
    val x = points.head
    val y = points.last
    (y._1 - x._1) * (y._2 + x._2) / 2.0
}

def areaUnderCurve(curve: Iterable[(Double, Double)]): Double = {
    curve.toIterator.sliding(2).withPartial(false).aggregate(0.0)(
      seqop = (auc: Double, points: Seq[(Double, Double)]) => auc + trapezoid(points),
      combop = _ + _
    )
}

val seq = Seq((0.0, 0.0), (1.0, 1.0), (2.0, 3.0), (3.0, 0.0))
areaUnderCurve(seq)
// res77: Double = 4.0 

结果如预期的那样是 4.0。

现在让我们将其应用于数据集。数据已在此处按键分组:

val data = Seq(("id1", Array((0.5, 1.0), (0.6, 0.0), (0.7, 1.0), (0.8, 0.0))), ("id2", Array((0.5, 1.0), (0.6, 0.0), (0.7, 1.0), (0.8, 0.3)))).toDF("key","values")

case class Record(key : String, values : Seq[(Double,Double)])

data.as[Record].map(r => (r.key, r.values, areaUnderCurve(r.values))).show
// +---+--------------------+-------------------+
// | _1|                  _2|                 _3|
// +---+--------------------+-------------------+
// |id1|[[0.5, 1.0], [0.6...|0.15000000000000002|
// |id2|[[0.5, 1.0], [0.6...|0.16500000000000004|
// +---+--------------------+-------------------+

希望对您有所帮助。