如何在没有StringIndexer的情况下在Spark ML中进行二进制经典

Question

我尝试在没有StringIndexer的情况下在管道中使用Spark ML DecisionTreeClassifier，因为我的功能已经被索引为（0.0; 1.0）。DecisionTreeClassifier 作为标签需要双精度值，因此此代码应该有效：

def trainDecisionTreeModel(training: RDD[LabeledPoint], sqlc: SQLContext): Unit = {
  import sqlc.implicits._
  val trainingDF = training.toDF()
  //format of this dataframe: [label: double, features: vector]
  val featureIndexer = new VectorIndexer()
    .setInputCol("features")
    .setOutputCol("indexedFeatures")
    .setMaxCategories(4)
    .fit(trainingDF)
  val dt = new DecisionTreeClassifier()
    .setLabelCol("label")
    .setFeaturesCol("indexedFeatures")

  val pipeline = new Pipeline()
    .setStages(Array(featureIndexer, dt))
  pipeline.fit(trainingDF)
}

但实际上我得到了

java.lang.IllegalArgumentException:
DecisionTreeClassifier was given input with invalid label column label,
without the number of classes specified. See StringIndexer.

当然，我可以把 StringIndexer 放进去，让他让它适用于我的双"标签"字段，但我想使用 DecisionTreeClassifier 的输出 rawPrediction 列来获得每行 0.0 和 1.0 的概率，例如......

val predictions = model.transform(singletonDF) 
val zeroProbability = predictions.select("rawPrediction").asInstanceOf[Vector](0)
val oneProbability = predictions.select("rawPrediction").asInstanceOf[Vector](1)

如果我将 StringIndexer 放在管道中 - 我将不知道 rawPrediction 向量中输入标签"0.0"和"1.0"的索引，因为字符串索引器将按值的频率进行索引，这可能会有所不同。

请帮助在不使用StringIndexer的情况下为DecisionTreeClassifier准备数据，或者建议其他方法来获取每行原始标签（0.0; 1.0）的概率。

Answer 1

您始终可以手动设置所需的元数据：

import sqlContext.implicits._
import org.apache.spark.ml.attribute.NominalAttribute
val meta = NominalAttribute
  .defaultAttr
  .withName("label")
  .withValues("0.0", "1.0")
  .toMetadata
val dfWithMeta = df.withColumn("label", $"label".as("label", meta))
pipeline.fit(dfWithMeta)