Spark 数据挖掘—利用决策树预测森林覆盖类型

1 前言

预测问题记住一点：最垃圾的预测就是使用平均值，如果你的预测连比直接给出平均值效果都要差，那就省省吧！
统计学诞生一个多世纪之后，随着现在机器学习和数据科学的产生，我们依旧使用回归的思想来进行预测，尽管回归 就是用平均值向后不断回滚来预测。回归的技术和分类的技术紧密相关。通常情况下，当目标变量是连续数值时指的是回归，例如预测 身高和体重。当预测的目标变量是名义或者说是类别变量时，指的就是分类，例如预测邮件是否是垃圾邮件。
无论是分类还是回归，都需要给定已知信息去预测未知信息，所以它们都需要从输入输出来学习。它们需要包括问题和答案。这类算法因此也称为监督学习的方法。
回归和分类是使用年代最近研究的最充分的预测分析技术。很多算法开源包都包含通用的这些方法。比如：支持向量机，逻辑回归，朴素贝叶斯，神经网络和深度学习。
本文的重点是讨论：决策树和它的扩展随机森林。决策树是通用而且灵活的分类回归算法。

2 一些基本概念

注意：特别小心分类变量（尤其是那些用数字表示的分类变量，不要随便放到算法中去训练）和数值变量
注意：不是所有的算法都能处理分类变量，或者都能处理回归分类问题，但是放心决策树都可以

3 算法简介

决策树

4 数据集

本文将使用著名的 Covtype 数据集合，可以在 http://bit.ly/1KiJRfg 这里下载。下载之后是一个压缩的 csv 文件， linux 用户可以用命令：tar -xzvf 解压缩，windows用户可以使用 .7-zip 解压缩，同时下载数据集的描述文件 covtype.info 数据集记录的是美国 Colorado 植被覆盖类型数据，也是唯一一个关心真实森林的数据。每条记录都包含很多指标描述每一块土地。 例如：高度、坡度、到水的距离、树荫下的面积、土壤的类型等等。森林的覆盖类型是需要根据其他54个特征进行预测的特征。 这是一个有趣的数据集，它包含分类和数值特征。总共有581012条记录。每条记录有55列，其中一列是土壤的类型，其他54列是输入特征。 虽然这个数据集还不能算得上真正的大数据，但是也能说明很多问题。很幸运，这个数据集已经是csv文件，所以不需要太多的数据清洗或者其他的准备就可以给 Spark Mllib 使用。 数据集可上传到 HDFS，当然也可以先放到本地进行这个有趣的测试。不管哪种方式，Spark 都只需要改变一两个参数。 这里不得不再次提醒一个问题，分类变量如何编码，下面是编码的方式：

一个合适的编码方式是：one-hot 或者 1 of n 编码 一个分类变量：编码为 n（分类特征个数）个变量
另一种编码方式：就是给每个值一个固定的数字，例如： 1， 2， 3， ...， n

当算法中把编码当作数字的时候只能使用第一种编码，第二种编码会得出滑稽的结果。具体原因是没有大小的东西被强制成有大小之分。
Covtype 数据集中有很多类型的特征，不过很幸运，它已经帮我们转换成 one-hot 形势，具体来说：

11到14列，其实表示的是 Wilderness_Area，Wilderness_Area 本身有 4 个类别
15到54列，其实表示的是 Soil_Type，Soil_Type 本身有 40个属性值
55列是表示目标值，当然它不需要表示成为 one-hot形式。

这个数据集每一列的变量单位都不一定相同，有的表示距离，有的表示度数等等

5 Spark 决策树模型

下面给出一个初步的利用Spark MLlib 实验的决策树模型，具体的意图，代码都有详细的注释：

  //本地测试
  val rootDir = "your sample data directory"
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("SparkInAction").setMaster("local[4]")
    val sc = new SparkContext(conf)
    val covTypeData = sc.textFile(rootDir + "/covtype.data")
    val data = dataPrepare(covTypeData)
    //选择测试集合和训练集合
    val Array(train, cvData, test) =
      data.randomSplit(Array(0.8, 0.1, 0.1))
    train.cache()
    cvData.cache()
    test.cache()

    val model = buildDecisionTree(train, cvData)
  }


  /**
   * Spark MLlib 表示特征向量的对象是 LabeledPoint
   * 这个对象由表示特征的向量和目标变量组成
   */
  def dataPrepare(data: RDD[String]) = {
    val sample = data.map{
      line =>
        //全部数据转化为 double
        val array = line.split(",").map(_.toDouble)
        //前面54列是特征向量，后面一列是目标变量 label
        val featureVector = Vectors.dense(array.init)
        //决策树目标变量必须从0开始，按照1递增
        LabeledPoint(array.last - 1, featureVector)
    }
    sample
  }

  /**
   * 决策树模型建立，这里很容易改进为十择交叉验证。
   * 对每一份数据建立模型时，都需要随机选出部分数据来调整模型参数到最优。
   * 通过交叉验证的方式调整参数。
   * @param train
   * @param cvData
   */
  def buildDecisionTree(train: RDD[LabeledPoint], cvData: RDD[LabeledPoint]) = {
    def getMetrics(model: DecisionTreeModel, data: RDD[LabeledPoint]) = {
      val predictionsAndLabels = data.map {
        example =>
          (model.predict(example.features), example.label)
      }
      new MulticlassMetrics(predictionsAndLabels)
    }
    val model = DecisionTree.trainClassifier(
      train, 7, Map[Int, Int](), "gini", 4, 100
    )
    val matrics = getMetrics(model, cvData)
    println(matrics.confusionMatrix)
    (0 until 7).map(
      cat => (matrics.precision(cat), matrics.recall(cat))
    ).foreach(println)
  }

这个是初步的运行结果:

#整体的准确率和召回率
(0.7012384971978136,0.7012384971978136)
#每一个类别的准确率和召回率
(0.685108051158916,0.6668097486526446)
(0.7255299659774928,0.7930627570177007)
(0.6194455768446799,0.8685338668190912)
(0.3771043771043771,0.39436619718309857)
(0.55,0.011727078891257996)
(0.0,0.0)
(0.7174657534246576,0.4134188455846078)

70%的准确率和召回率似乎效果还不错，但是我们现在不能盲目的认为我们的效果就真的不错了，有时候瞎猜效果也会不错。 例如：70%的数据属于类别1，每次都猜测类别是1，那么效果也能达到70%的准确率，下面我们确定一下瞎猜的准确率： 回答瞎猜猜对的概率，这个问题也不是简单的，回到概率论课堂上，在训练样本每类概率已知的情况下，测试样本瞎猜对的概率有多大呢？ 随机给出一个样本：猜测类A的概率是由训练样本决定的，同时猜对的概率是由测试样本决定的，所以瞎猜猜对的概率是训练样本每类的概率分别 乘以测试样本对应类的概率之和

 /**
   * 获取模型瞎猜的概率
   * @param train 测试数据集
   * @param cvData 验证数据集
   */
  def guessProb(train: RDD[LabeledPoint], cvData: RDD[LabeledPoint]) {
    /**
     * 返回数据集合中，每一个类别的概率
     * @param data 训练数据集
     */
    def labelProb(data: RDD[LabeledPoint]): Array[Double] = {
      val labelCnt = data.map(_.label).countByValue()
      val labelProb = labelCnt.toArray.sortBy(_._1).map(_._2)
      labelProb.map(_.toDouble/labelProb.sum)
    }

    val trainProb = labelProb(train)
    val cvProb = labelProb(cvData)
    val prob = trainProb.zip(cvProb).map {
      case (a, b) => a * b
    }.sum
    println(prob)
  }

可以看到瞎猜的结果只有：0.3771281350885772 的准确率。说明70%的准确率效果确实不错，但是请注意，我们还没有优化参数， 说明我们的模型还有优化的空间。

6 决策树参数选择

主要的参数有下面几个：

• Maximum Depth： 决策树树的最大深度，控制深度防止过拟合
• 决策树训练算法迭代最大次数
• 纯度测量算法 Gini Entropy （Gini纯度和熵） 通过反复查看不同参数模型评估效果，下面给出测试代码：

 /**
  * 模型评估
  * @param trainData 训练数据
  * @param cvData 交叉验证数据
  */
 def evaluate(trainData: RDD[LabeledPoint], cvData: RDD[LabeledPoint]): Unit = {
   val evaluations =
     for (impurity <- Array("gini", "entropy");
          depth <- Array(1, 20);
          bins <- Array(10, 300))
       yield {
         val model = DecisionTree.trainClassifier(
           trainData, 7, Map[Int,Int](), impurity, depth, bins)
         val predictionsAndLabels = cvData.map(example =>
           (model.predict(example.features), example.label)
         )
         val accuracy =
           new MulticlassMetrics(predictionsAndLabels).precision
         ((impurity, depth, bins), accuracy)
       }
   evaluations.sortBy(_._2).reverse.foreach(println)
 }

文章转载自 开源中国社区[https://www.oschina.net]