PySparkで学習済みのscikit-learnのモデルを使う
やりたいこと
Sparkで機械学習といえばMLlibだけど、まだまだscikit-learnには機能面で劣っているように思えます。例えば、scikit-learnでは学習時に正例と負例の数が不均等な場合の補正とかできますが、mllibの1.5ではまだそのような機能はありません1。こんな時にメモリに乗る程度のデータで事前にscikit-learnで学習器を作成しておき、それをpysparkで大規模データの予測に使用できるとsklearnとsparkの両者のメリットが活かせるのではと思っています。
Let's Try
方針
データをndarrayのRDDに変換し、RDDのmapで学習済みのモデルのpredictに渡せばいいのですが、そのままやると関数呼び出しのオーバーヘッドが大きそうなのである程度の大きさのバッチ単位で処理したいと思います。
事前準備
Anaconda等のscikit-learn
が使えるPython環境を全てのsparkノードに同じパス(/opt/anaconda
とか)に準備しておきます。spark-submitコマンドを実行する際にPYSPARK_PYTHON=/opt/anaconda/bin/python3
を指定してあげればこのPythonが使用されます。
実装例
事前に学習モデルを作成。今回はRandomForestを使用。データは適当です。
import numpy as np
from sklearn import ensemble
N = 1000
train_x = np.random.randn(N, 10)
train_y = np.random.binomial(1, 0.1, N)
model = ensemble.RandomForestClassifier(10, class_weight="balanced").fit(train_x, train_y)
で、これをPySparkで以下のように使用します。
from pyspark import SparkContext
sc = SparkContext()
test_x = np.random.randn(N * 100, 10)
n_partitions = 10
rdd = sc.parallelize(test_x, n_partitions).zipWithIndex()
# Point 1
def batch(xs):
yield list(xs)
batch_rdd = rdd.mapPartitions(batch)
# Point 2
b_model = sc.broadcast(model)
def split_id_and_data(xs):
xs = list(xs)
data = [x[0] for x in xs]
ids = [x[1] for x in xs]
return data, ids
# Point 3
result_rdd = batch_rdd.map(split_id_and_data) \
.flatMap(lambda x: zip(x[1], b_model.value.predict(x[0])))
for _id, pred in result_rdd.take(10):
print(_id, pred)
sc.stop()
ポイントは次の3点です
- mapPartitionsを使用して
RDD[ndarray]
をRDD[list[ndarray]]
に変換しておきます。こうすることである程度の塊のデータをmodel.predict
にまとめて渡せます。 - 学習済みモデルをbroadcastしておきます。
- idsとdataを分離し、dataを
b_model.value.predict
に渡します。これとidsを再度zipしてflatMapに入れてあげれば完成
(2016-01-26 追記)
partitionないでlistにまとめる
# Point 1
def batch(xs):
yield list(xs)
batch_rdd = rdd.mapPartitions(batch)
の部分は元々glom
というメソッドが用意されていました。
batch_rdd = rdd.glom()
(2016-01-26 追記その2)
DStreamにもglom
とflatMap
メソッドはあるのでSparkStreamingの場合も全く同様に使用できます。SVMで異常検出の学習器を作っておき、ストリーミングデータに対してリアルタイムで適用すると言ったこともできそうです。
-
一応JIRAには要望が挙がっていてそろそろ実装されたかもしれませんが、CDH5.5ではsparkが1.5なので使えません。 ↩
Author And Source
この問題について(PySparkで学習済みのscikit-learnのモデルを使う), 我々は、より多くの情報をここで見つけました https://qiita.com/lucidfrontier45/items/4856edf1e57db81ad85c著者帰属:元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。
Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .