我正在尝试对数据集样本使用高斯混合模型。
我同时使用了MLlib
(与pyspark
)和scikit-learn
,得到了截然不同的结果,scikit-learn
一个看起来更逼真。
from pyspark.mllib.clustering import GaussianMixture as SparkGaussianMixture
from sklearn.mixture import GaussianMixture
from pyspark.mllib.linalg import Vectors
Scikit-learn:
local = pd.DataFrame([ x.asDict() for x in df.sample(0.0001).collect() ])
model1 = GaussianMixture(n_components=3)
model1.fit([ [x] for x in local['field'].tolist() ])
model1.means_
array([[7.56123598e+00],
[1.32517410e+07],
[3.96762639e+04]])
model1.covariances_
array([[[6.65177423e+00]],
[[1.00000000e-06]],
[[8.38380897e+10]]])
MLLib:
model2 = SparkGaussianMixture.train(
sc.createDataFrame(local).rdd.map(lambda x: Vectors.dense(x.field)),
k=3,
convergenceTol=1e-4,
maxIterations=100
)
model2.gaussians
[MultivariateGaussian(mu=DenseVector([28736.5113]), sigma=DenseMatrix(1, 1, [1094083795.0001], 0)),
MultivariateGaussian(mu=DenseVector([7839059.9208]), sigma=DenseMatrix(1, 1, [38775218707109.83], 0)),
MultivariateGaussian(mu=DenseVector([43.8723]), sigma=DenseMatrix(1, 1, [608204.4711], 0))]
但是,我对通过模型运行整个数据集很感兴趣,我担心这需要并行化(并因此使用 MLlib)才能在有限的时间内获得结果。我做错了什么/遗漏了什么吗?
数据:
而数据有一个明显正常的 dist ceneterd 某处更接近 scikit-learn
聚类:
我正在使用 Spark 2.3.0 (AWS EMR)。
编辑:初始化参数:
local = pd.DataFrame([ x.asDict() for x in df.sample(0.0001).collect() ])
model1 = GaussianMixture(n_components=3, init_params='random')
model1.fit([ [x] for x in local['field'].tolist() ])
model1.means_
array([[2.17611913e+04],
[8.03184505e+06],
[7.56871801e+00]])
model1.covariances_
rray([[[1.01835902e+09]],
[[3.98552130e+13]],
[[6.95161493e+00]]])
最佳答案
这本身不是 python 问题。 IMO,这似乎更像是一个机器学习/数据验证/数据分割问题。话虽这么说,您认为必须并行化您的工作是正确的,但是您以何种方式进行工作很重要。您可以研究模型中的 8 位量化和模型并行性等内容,以帮助您实现目标:在不牺牲数据质量或保真度的情况下,及时地在大型数据集上训练模型。
这是一篇关于量化的博文:https://petewarden.com/2016/05/03/how-to-quantize-neural-networks-with-tensorflow/
这是来自 Tim Dettmers 博客的关于模型并行性和 8 位量化的博文:http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/
及相关论文:https://arxiv.org/pdf/1511.04561.pdf
尽管您需要记住,根据 GPU 上的 FP 操作,您可能看不到这条路线的实质性好处:https://blog.inten.to/hardware-for-deep-learning-part-3-gpu-8906c1644664
HTH 和 YMMV。
此外,您可能想查看数据折叠,但不记得细节或我此时阅读的论文。我会把它放在这里以记住一旦我这样做了。
关于python - 高斯混合模型 : Difference between Spark MLlib and scikit-learn,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50915749/