Tarefas de classificação usando SynapseML

  • Artigo

Neste artigo, você executa a mesma tarefa de classificação de duas maneiras diferentes: uma vez usando pyspark simples e uma vez usando a biblioteca synapseml. Os dois métodos produzem o mesmo desempenho, mas realçam a simplicidade de usar synapseml em comparação com pyspark.

A tarefa é prever se a revisão de um comentário de cliente sobre um livro vendido pela Amazon é boa (classificação > 3) ou ruim com base no texto da revisão. Você faz isso treinando alunos de LogisticRegression com hiperparâmetros diferentes e escolhendo o melhor modelo.

Pré-requisitos

Anexe seu bloco de anotações a um lakehouse. No lado esquerdo, selecione Adicionar para adicionar um lakehouse existente ou criar um.

Instalação

Importe as bibliotecas necessárias do Python e obtenha uma sessão do Spark.

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

Ler os dados

Baixe e leia os dados.

rawData = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/BookReviewsFromAmazon10K.parquet"
)
rawData.show(5)

Extraia recursos e processe dados

Os dados reais são mais complexos do que o conjunto de dados acima. É comum que um conjunto de dados tenha recursos de vários tipos, como texto, numérico e categórico. Para ilustrar como é difícil trabalhar com esses conjuntos de dados, adicione dois recursos numéricos ao conjunto de dados: a contagem de palavras da revisão e o comprimento médio da palavra.

from pyspark.sql.functions import udf
from pyspark.sql.types import *


def wordCount(s):
    return len(s.split())


def wordLength(s):
    import numpy as np

    ss = [len(w) for w in s.split()]
    return round(float(np.mean(ss)), 2)


wordLengthUDF = udf(wordLength, DoubleType())
wordCountUDF = udf(wordCount, IntegerType())

from synapse.ml.stages import UDFTransformer

wordLength = "wordLength"
wordCount = "wordCount"
wordLengthTransformer = UDFTransformer(
    inputCol="text", outputCol=wordLength, udf=wordLengthUDF
)
wordCountTransformer = UDFTransformer(
    inputCol="text", outputCol=wordCount, udf=wordCountUDF
)

from pyspark.ml import Pipeline

data = (
    Pipeline(stages=[wordLengthTransformer, wordCountTransformer])
    .fit(rawData)
    .transform(rawData)
    .withColumn("label", rawData["rating"] > 3)
    .drop("rating")
)

data.show(5)

Classificar usando pyspark

Para escolher o melhor classificador LogisticRegression usando a biblioteca pyspark, você precisa executar explicitamente as seguintes etapas:

  1. Processar os recursos:
    • Tokenizar a coluna de texto
    • Hash da coluna tokenizada em um vetor usando hash
    • Mesclar os recursos numéricos com o vetor
  2. Processar a coluna de rótulo: converta-a no tipo adequado.
  3. Treinar vários algoritmos LogisticRegression no conjunto de dados train com hiperparâmetros diferentes
  4. Compute a área na curva ROC para cada um dos modelos treinados e selecione o modelo com a métrica mais alta, conforme calculado no conjunto de dados test
  5. Avaliar o melhor modelo no conjunto validation
from pyspark.ml.feature import Tokenizer, HashingTF
from pyspark.ml.feature import VectorAssembler

# Featurize text column
tokenizer = Tokenizer(inputCol="text", outputCol="tokenizedText")
numFeatures = 10000
hashingScheme = HashingTF(
    inputCol="tokenizedText", outputCol="TextFeatures", numFeatures=numFeatures
)
tokenizedData = tokenizer.transform(data)
featurizedData = hashingScheme.transform(tokenizedData)

# Merge text and numeric features in one feature column
featureColumnsArray = ["TextFeatures", "wordCount", "wordLength"]
assembler = VectorAssembler(inputCols=featureColumnsArray, outputCol="features")
assembledData = assembler.transform(featurizedData)

# Select only columns of interest
# Convert rating column from boolean to int
processedData = assembledData.select("label", "features").withColumn(
    "label", assembledData.label.cast(IntegerType())
)

from pyspark.ml.evaluation import BinaryClassificationEvaluator
from pyspark.ml.classification import LogisticRegression

# Prepare data for learning
train, test, validation = processedData.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
evaluator = BinaryClassificationEvaluator(
    rawPredictionCol="rawPrediction", metricName="areaUnderROC"
)
metrics = []
models = []

# Select the best model
for learner in logisticRegressions:
    model = learner.fit(train)
    models.append(model)
    scoredData = model.transform(test)
    metrics.append(evaluator.evaluate(scoredData))
bestMetric = max(metrics)
bestModel = models[metrics.index(bestMetric)]

# Get AUC on the validation dataset
scoredVal = bestModel.transform(validation)
print(evaluator.evaluate(scoredVal))

Classificar usando o SynapseML

As etapas necessárias com synapseml são mais simples:

  1. O Avaliador TrainClassifier apresenta os dados internamente, desde que as colunas selecionadas no conjunto de dados train, test, validation representem os recursos

  2. O Avaliador FindBestModel localiza o melhor modelo de um pool de modelos treinados localizando o modelo que tem o melhor desempenho no conjunto de dados test dada a métrica especificada

  3. O Transformer ComputeModelStatistics calcula as diferentes métricas em um conjunto de dados pontuado (em nosso caso, o conjunto de dados validation) ao mesmo tempo

from synapse.ml.train import TrainClassifier, ComputeModelStatistics
from synapse.ml.automl import FindBestModel

# Prepare data for learning
train, test, validation = data.randomSplit([0.60, 0.20, 0.20], seed=123)

# Train the models on the 'train' data
lrHyperParams = [0.05, 0.1, 0.2, 0.4]
logisticRegressions = [
    LogisticRegression(regParam=hyperParam) for hyperParam in lrHyperParams
]
lrmodels = [
    TrainClassifier(model=lrm, labelCol="label", numFeatures=10000).fit(train)
    for lrm in logisticRegressions
]

# Select the best model
bestModel = FindBestModel(evaluationMetric="AUC", models=lrmodels).fit(test)


# Get AUC on the validation dataset
predictions = bestModel.transform(validation)
metrics = ComputeModelStatistics().transform(predictions)
print(
    "Best model's AUC on validation set = "
    + "{0:.2f}%".format(metrics.first()["AUC"] * 100)
)

Conteúdo relacionado