apache-spark - Spark.ml LogisticRegression 是否仅假设数值特征？

Question

我正在查看 Spark 1.5 dataframe/row api和 implementation对于逻辑回归。据我了解，其中的 train 方法首先将 dataframe 转换为 RDD[LabeledPoint] 作为，

override protected def train(dataset: DataFrame): LogisticRegressionModel = {
     // Extract columns from data.  If dataset is persisted, do not persist oldDataset.
     val instances = extractLabeledPoints(dataset).map {
           case LabeledPoint(label: Double, features: Vector) => (label, features)
     }
...

然后进行特征标准化等

让我感到困惑的是，DataFrame 的类型是 RDD[Row] 并且 Row 允许有任何 valueTypes，例如(1, true, "a string", null) 似乎是数据框的有效行。如果是这样，上面的 extractLabeledPoints 是什么意思？它似乎只选择 Array[Double] 作为 Vector 中的特征值。如果数据框中的列是 strings 会怎样？另外，整数分类值会怎样？

提前致谢，尼克尔

Answer 1

让我们暂时忽略 Spark。一般来说，包括逻辑回归在内的线性模型都需要数值自变量。它不以任何方式特定于 Spark/MLlib。如果输入包含分类或有序变量，则必须首先对这些变量进行编码。一些语言，如 R，以透明的方式处理这个问题:

> df <- data.frame(x1 = c("a", "b",  "c", "d"), y=c("aa", "aa", "bb", "bb"))
> glm(y ~ x1, df, family="binomial")

Call:  glm(formula = y ~ x1, family = "binomial", data = df)

Coefficients:
(Intercept)          x1b          x1c          x1d  
 -2.357e+01   -4.974e-15    4.713e+01    4.713e+01  
...

但真正在幕后使用的是所谓的设计矩阵:

> model.matrix( ~ x1, df)
  (Intercept) x1b x1c x1d
1           1   0   0   0
2           1   1   0   0
3           1   0   1   0
4           1   0   0   1
...

跳过细节，它与 Spark 中的 OneHotEncoder 执行的转换类型相同。

import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer}

val df = sqlContext.createDataFrame(Seq(
    Tuple1("a"), Tuple1("b"), Tuple1("c"), Tuple1("d")
)).toDF("x").repartition(1)

val indexer = new StringIndexer()
  .setInputCol("x")
  .setOutputCol("xIdx")
  .fit(df)

val indexed = indexer.transform(df)

val encoder = new OneHotEncoder()
    .setInputCol("xIdx")
    .setOutputCol("xVec")

val encoded = encoder.transform(indexed)

encoded
    .select($"xVec")
    .map(_.getAs[Vector]("xVec").toDense)
    .foreach(println)

Spark 更进一步，所有特征，即使算法允许名义/有序自变量，也必须使用 spark.mllib.linalg.Vector 存储为 Double >。在 spark.ml 中，它是一个 DataFrame 列，在 spark.mllib 中，它是 spark.mllib.regression.LabeledPoint 中的一个字段。

不过，根据模型对特征向量的解释可能会有所不同。正如上面提到的线性模型，这些将被解释为数值变量。对于 Naive Bayes，这些被认为是名义上的。如果模型接受数值变量和名义变量 Spark 并以不同的方式对待每个组，如决策/回归树，您可以提供 categoricalFeaturesInfo参数。

值得指出的是，因变量也应编码为 Double，但与自变量不同，可能需要额外的元数据才能正确处理。如果您查看 indexed DataFrame，您会发现 StringIndexer 不仅转换 x，还添加了属性:

scala> org.apache.spark.ml.attribute.Attribute.fromStructField(indexed.schema(1))
res12: org.apache.spark.ml.attribute.Attribute = {"vals":["d","a","b","c"],"type":"nominal","name":"xIdx"}

最后是来自 ML 的一些 Transformers，例如 VectorIndexer ，可以根据不同值的数量自动检测和编码分类变量。