我们有一个机器学习分类器模型,我们已经用 Pandas 数据框和标准 sklearn 管道(StandardScaler、RandomForestClassifier、GridSearchCV 等)训练了该模型。我们正在研究 Databricks,并希望使用 Spark 提供的并行计算将此管道扩展到大型数据集。
最快的方式是什么将我们的 sklearn 管道转换为并行计算的东西 ? (我们可以根据需要轻松地在 pandas 和 spark DF 之间切换。)
就上下文而言,我们的选择似乎是:
在选项 2 上,Spark-Sklearn 似乎是 deprecated , 但 Databricks 代替 recommends我们使用joblibspark。但是,这会引发 Databricks 的异常:
from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV
from joblibspark import register_spark
from sklearn.utils import parallel_backend
register_spark() # register spark backend
iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svr = svm.SVC(gamma='auto')
clf = GridSearchCV(svr, parameters, cv=5)
with parallel_backend('spark', n_jobs=3):
clf.fit(iris.data, iris.target)
加注py4j.security.Py4JSecurityException: Method public int org.apache.spark.SparkContext.maxNumConcurrentTasks() is not whitelisted on class class org.apache.spark.SparkContext
最佳答案
根据 Databricks 说明( here 和 here ),必要的要求是:
pyspark>=2.4
scikit-learn>=0.21
joblib>=0.14
我无法重现 您在运行 Python 3.7.5、Spark 3.0.0、scikit-learn 0.22.1 和 joblib 0.14.1 的社区 Databricks 集群中的问题:
import sys
import sklearn
import joblib
spark.version
# '3.0.0'
sys.version
# '3.7.5 (default, Nov 7 2019, 10:50:52) \n[GCC 8.3.0]'
sklearn.__version__
# '0.22.1'
joblib.__version__
# '0.14.1'
通过上述设置,您的代码片段运行顺畅,并确实产生了一个分类器 clf
作为:GridSearchCV(cv=5, error_score=nan,
estimator=SVC(C=1.0, break_ties=False, cache_size=200,
class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=3,
gamma='auto', kernel='rbf', max_iter=-1,
probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False),
iid='deprecated', n_jobs=None,
param_grid={'C': [1, 10], 'kernel': ('linear', 'rbf')},
pre_dispatch='2*n_jobs', refit=True, return_train_score=False,
scoring=None, verbose=0)
来自 here 的替代示例也是如此:from sklearn.utils import parallel_backend
from sklearn.model_selection import cross_val_score
from sklearn import datasets
from sklearn import svm
from joblibspark import register_spark
register_spark() # register spark backend
iris = datasets.load_iris()
clf = svm.SVC(kernel='linear', C=1)
with parallel_backend('spark', n_jobs=3):
scores = cross_val_score(clf, iris.data, iris.target, cv=5)
print(scores)
给予[0.96666667 1. 0.96666667 0.96666667 1. ]
关于python - 如何将 sklearn 管道转换为 pyspark 管道?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63687319/