版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
MLlib在淘寶的應(yīng)用和改進(jìn)淘寶技術(shù)部數(shù)據(jù)挖掘與計(jì)算——高性能計(jì)算洪奇明風(fēng)MLlib在淘寶分類(lèi)&回歸樸素貝葉斯決策樹(shù)線(xiàn)性模型協(xié)同過(guò)濾ALS聚類(lèi)KMeans關(guān)聯(lián)規(guī)則FPGrowth降維優(yōu)化特征提取L-BFGS梯度下降基本統(tǒng)計(jì)相關(guān)性分層抽樣假設(shè)檢驗(yàn)SVDPCATF-IDFWord2VecStandardScalerNormalizer主要內(nèi)容決策樹(shù)多分類(lèi)決策樹(shù)基本算法應(yīng)用場(chǎng)景——用戶(hù)識(shí)別購(gòu)買(mǎi)頻率女男男購(gòu)買(mǎi)化妝品高低多少根節(jié)點(diǎn)葉節(jié)點(diǎn)內(nèi)部節(jié)點(diǎn)deftree_growth(instances):
#如果滿(mǎn)足終止條件,返回葉子結(jié)點(diǎn)
ifshould_stop(instances):leaf=newNode(isleaf=True)leaf.label=classify(instances)
returnleaf
#計(jì)算每一個(gè)split的信息增量
forsplitinpossible_splits:infogains[split]=calculate_infogain(split)
#得到具有最大信息增量的splitbest_split=infogains.index(max(infogains))
#按照最優(yōu)split劃分樣本,遞歸構(gòu)建樹(shù)root=newNode(isLeaf=False)
for(split_outcome,split_sublists)in
split_instances(instances,best_split):child=tree_growth(split_sublists)root.add_child(split_outcome,split_sublists)
returnroot決策樹(shù)的構(gòu)建決策樹(shù)在Spark的實(shí)現(xiàn)劃分特征每一個(gè)樣本應(yīng)該被分到哪個(gè)桶聚合每一個(gè)桶的統(tǒng)計(jì)信息計(jì)算每次分割的信息增量找到該層所有節(jié)點(diǎn)的最好分割逐層訓(xùn)練繼續(xù)下一層終止?停止訓(xùn)練是否1342劃分特征:連續(xù)特征的分割點(diǎn)SPARK-3207&PR-2780原來(lái)的實(shí)現(xiàn):抽樣之后排序,選擇分位點(diǎn)作為分割點(diǎn)會(huì)有重復(fù)的分割點(diǎn)222222223分隔1分隔21劃分特征:連續(xù)特征的分割點(diǎn)現(xiàn)在的實(shí)現(xiàn):統(tǒng)計(jì)每一個(gè)值的次數(shù)選擇累加次數(shù)最接近分位次數(shù)的值作為分割點(diǎn)不會(huì)有重復(fù)的分割點(diǎn)112222222233(1,2)(2,8)(3,2)48分位次數(shù)21012累計(jì)次數(shù)每一個(gè)詞的次數(shù)12分隔點(diǎn)1劃分特征:連續(xù)特征的分割點(diǎn)valstride:Double=featureSamples.length.toDouble/
(numSplits+1)valsplits=newArrayBuffer[Double]varindex=1varcurrentCount=valueCounts(0)._2vartargetCount=stridewhile(index<valueCounts.length){
valpreviousCount=currentCountcurrentCount+=valueCounts(index)._2
valpreviousGap=math.abs(previousCount-targetCount)
valcurrentGap=math.abs(currentCount-targetCount)
if(previousGap<currentGap){splits.append(valueCounts(index-1)._1)targetCount+=stride
}index+=1}1樣本分桶:一次FindBinsForLevelSPARK-3022&PR-1941FindBinsForLevel:樣本到bin的映射確定分隔之后,映射已經(jīng)確定在開(kāi)始時(shí)計(jì)算一次和社區(qū)工作重合(PR-1950)valtreeInput=TreePoint.convertToTreeRDD(
retaggedInput,bins,metadata)2決策樹(shù)在Spark的實(shí)現(xiàn)劃分特征每一個(gè)樣本應(yīng)該被分到哪個(gè)桶聚合每一個(gè)桶的統(tǒng)計(jì)信息計(jì)算每次分割的信息增量找到該層所有節(jié)點(diǎn)的最好分割逐層訓(xùn)練繼續(xù)下一層終止?停止訓(xùn)練是否1342樣本分桶:一次FindBinsForLevelSPARK-3022&PR-1941FindBinsForLevel:樣本到bin的映射確定分隔之后,映射已經(jīng)確定在開(kāi)始時(shí)計(jì)算一次和社區(qū)工作重合(PR-1950)valtreeInput=TreePoint.convertToTreeRDD(
retaggedInput,bins,metadata)2信息增益:并行計(jì)算BestSplitsSPARK-3366&PR-2595原先實(shí)現(xiàn)在Driver上計(jì)算每一個(gè)節(jié)點(diǎn)的BestSplitsDriver會(huì)成為計(jì)算和通信的瓶頸分布式計(jì)算BestSplitsReduceByKey把聚合信息Shuffle到Executor在Executor上進(jìn)行計(jì)算3決策樹(shù)在Spark的實(shí)現(xiàn)劃分特征每一個(gè)樣本應(yīng)該被分到哪個(gè)桶聚合每一個(gè)桶的統(tǒng)計(jì)信息計(jì)算每次分割的信息增量找到該層所有節(jié)點(diǎn)的最好分割逐層訓(xùn)練繼續(xù)下一層終止?停止訓(xùn)練是否1342信息增益:并行計(jì)算BestSplitsSPARK-3366&PR-2595原先實(shí)現(xiàn)在Driver上計(jì)算每一個(gè)節(jié)點(diǎn)的BestSplitsDriver會(huì)成為計(jì)算和通信的瓶頸分布式計(jì)算BestSplitsReduceByKey把聚合信息Shuffle到Executor在Executor上進(jìn)行計(jì)算3最好分割:前向剪枝SPARK-2207&PR-2332停止分隔的兩個(gè)參數(shù)minInfoGain:分隔造成的最小信息增量minInstancesPerNode:分隔出左右兒子最少的樣本數(shù)已經(jīng)合并進(jìn)master,1.2版本發(fā)布4決策樹(shù)在Spark的實(shí)現(xiàn)劃分特征每一個(gè)樣本應(yīng)該被分到哪個(gè)桶聚合每一個(gè)桶的統(tǒng)計(jì)信息計(jì)算每次分割的信息增量找到該層所有節(jié)點(diǎn)的最好分割逐層訓(xùn)練繼續(xù)下一層終止?停止訓(xùn)練是否1342最好分割:前向剪枝SPARK-2207&PR-2332停止分隔的兩個(gè)參數(shù)minInfoGain:分隔造成的最小信息增量minInstancesPerNode:分隔出左右兒子最少的樣本數(shù)已經(jīng)合并進(jìn)master,1.2版本發(fā)布4最好分割:避免葉結(jié)點(diǎn)的計(jì)算SPARK-3158&PR-2708葉節(jié)點(diǎn)不需要再去尋找最優(yōu)分隔:最后一層的節(jié)點(diǎn)Impurity為0的節(jié)點(diǎn)4決策樹(shù)在Spark的實(shí)現(xiàn)劃分特征每一個(gè)樣本應(yīng)該被分到哪個(gè)桶聚合每一個(gè)桶的統(tǒng)計(jì)信息計(jì)算每次分割的信息增量找到該層所有節(jié)點(diǎn)的最好分割逐層訓(xùn)練繼續(xù)下一層終止?停止訓(xùn)練是否1342最好分割:避免葉結(jié)點(diǎn)的計(jì)算SPARK-3158&PR-2708葉節(jié)點(diǎn)不需要再去尋找最優(yōu)分隔:最后一層的節(jié)點(diǎn)Impurity為0的節(jié)點(diǎn)4決策樹(shù)的展望梯度提升樹(shù)(GradientBoosting)AdaBoostSpark1.2版本多分類(lèi)
多分類(lèi)應(yīng)用場(chǎng)景對(duì)戰(zhàn)預(yù)測(cè)(勝(0)、負(fù)(2)、平(1))球隊(duì)屬性1球隊(duì)屬性2球隊(duì)屬性3結(jié)果0.000.280.55610.00-0.02-0.00320.330.050.20…………多分類(lèi)訓(xùn)練器(Estimator)輸入多分類(lèi)預(yù)測(cè)器(Predictor)球隊(duì)屬性1球隊(duì)屬性2球隊(duì)屬性30.23-0.33-0.660.730.00-0.33………訓(xùn)練結(jié)果輸入結(jié)果21…多分類(lèi)的實(shí)現(xiàn)使用One-VS-All策略,組合二分類(lèi)器實(shí)現(xiàn)多分類(lèi)訓(xùn)練數(shù)據(jù)訓(xùn)練器1訓(xùn)練器2訓(xùn)練器3…訓(xùn)練標(biāo)簽二值化預(yù)測(cè)器1預(yù)測(cè)器2預(yù)測(cè)器3…預(yù)測(cè)測(cè)試數(shù)據(jù)概率1概率1概率3…選擇概率最大的為結(jié)果多分類(lèi)器的實(shí)現(xiàn)-訓(xùn)練deffit(input:RDD[LabeledPoint]):MultiClasssficationModel[M]={
valpredictors=newArray[M](numClasses)
varcls=0
while(cls<numClasses){
valcurrentLabel=cls
valbinaryInput=input.map(p=>{
vallabel=if(p.label==currentLabel)1.0else0.0
LabeledPoint(label,p.features)
})
valmodel:M=baseEstimator.fit(binaryInput)estimators(cls)=model
cls+=1
}
newMultiClassificationModel[M](predictors)
}多分類(lèi)器的實(shí)現(xiàn)-預(yù)測(cè)classMultiClassificationModel[M<:ClassificationWithProbModel]
(valbasePredictors:Array[M])extendsSerializable{defpredict(x:Vector):Int={
valprobs=predictProb(x)probs.zipWithIndex.maxBy(_._1)._2
}defpredictProb(x:Vector):Array[Double]={
basePredictor
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 玩具設(shè)計(jì)師童心未泯創(chuàng)意無(wú)限
- 文化創(chuàng)意技術(shù)工作總結(jié)
- 整形外科護(hù)士全年工作總結(jié)
- 證券行業(yè)衛(wèi)生規(guī)范
- 《愛(ài)勞動(dòng)講衛(wèi)生》課件
- 2021年高考語(yǔ)文試卷(上海)(春考)(解析卷)
- 2024年濮陽(yáng)職業(yè)技術(shù)學(xué)院?jiǎn)握新殬I(yè)技能測(cè)試題庫(kù)標(biāo)準(zhǔn)卷
- 2024年美術(shù)的教案
- 農(nóng)村房屋問(wèn)題協(xié)議書(shū)(2篇)
- 出境游全程無(wú)憂(yōu)旅游合同
- 微型頂管施工方案
- 湘教文藝版小學(xué)五年級(jí)音樂(lè)上冊(cè)期末測(cè)試題
- 老化箱點(diǎn)檢表A4版本
- 略說(shuō)魯迅全集的五種版本
- 2022年110接警員業(yè)務(wù)測(cè)試題庫(kù)及答案
- 中聯(lián)16T吊車(chē)參數(shù)
- DB44∕T 115-2000 中央空調(diào)循環(huán)水及循環(huán)冷卻水水質(zhì)標(biāo)準(zhǔn)
- 嵌入式軟件架構(gòu)設(shè)計(jì)
- 《石油天然氣地質(zhì)與勘探》第3章儲(chǔ)集層和蓋層
- 航道整治課程設(shè)計(jì)--
- 超星爾雅學(xué)習(xí)通《科學(xué)計(jì)算與MATLAB語(yǔ)言》章節(jié)測(cè)試含答案
評(píng)論
0/150
提交評(píng)論