apache-spark - Spark ML StringIndexer 不同标签训练/测试

Question

我正在使用 Scala 并使用 StringIndexer 为训练集中的每个类别分配索引。它根据每个类别的频率分配索引。

问题是在我的测试数据中，类别的频率不同，因此 StringIndexer 为类别分配了不同的索引，这使我无法正确评估模型(随机森林)。

我正在以完全相同的方式处理训练/测试数据，并且不保存模型。

我尝试过手动创建标签(通过获取类别的索引)，但出现此错误

java.lang.IllegalArgumentException: RandomForestClassifier was given input with invalid label column label, without the number of classes specified. See StringIndexer.

看来我必须使用 StringIndexer，那么如何确保我用于测试的 future 数据集以与训练集相同的方式对类别进行索引？

编辑添加我尝试的解决方法的代码

这就是数据框的样子，称它为 mydata

+--------+-----+---------+---------+
|category|label|        x|        y|
+--------+-----+---------+---------+
| a|      0.0|  -0.166992|-0.256348|
| b|      1.0|  -0.179199| -0.22998|
| c|      2.0|  -0.172119|-0.105713|
| d|      3.0|  -0.064209| 0.050293|

我使用向量汇编器来准备特征

val assembler = new VectorAssembler().setInputCols(Array("x, y")).setOutputCol("features")

使用上面的汇编器转换我的数据，它完成了特性列

val predValues = assembler.transform(mydata)

所以模型需要 2 列，特征和标签。所以我想为此使用我自己的标签。我从预值中选择特征

 val features = sqlContext.sql("SELECT features from predValues")

然后从我的 df 中选择标签

 val labelDF = sqlContext.sql("SELECT label FROM filterFeaturesOnly")

然后将两者结合在一起，这样我就可以将特征和标签传递给模型

val featuresAndLabels = features.join(labelDF)

这就是我传递给模型的内容，我得到了上面提到的错误。

val label = predValues.join(labelDF)

Answer 1

如果你想一致地标记东西，那么你需要保存合适的stringIndexer。

考虑 this sample code来自文档:

val indexer = new StringIndexer()
  .setInputCol("category")
  .setOutputCol("categoryIndex")

val indexed = indexer.fit(df).transform(df)

indexer.fit(df) 部分返回 StringIndexerModel ，然后可以运行 transform 函数。所以改为:

val indexerModel = indexer.fit(trainDF)
val indexed = indexerModel.transform(trainDF)

稍后将允许您使用 indexerModel.transform(testDF) 为相同的输入获取相同的标签。