PySpark 和 MLLib：随机森林预测的类概率

我正在尝试提取使用 PySpark 训练过的随机森林对象的类概率。但是，我在文档中没有看到它的示例，也不是一种方法RandomForestModel.

我怎样才能从a中提取类别概率RandomForestModelPySpark 中的分类器？

这是文档中提供的示例代码，仅提供最终类别（而不是概率）：

from pyspark.mllib.tree import RandomForest
from pyspark.mllib.util import MLUtils

# Load and parse the data file into an RDD of LabeledPoint.
data = MLUtils.loadLibSVMFile(sc, 'data/mllib/sample_libsvm_data.txt')
# Split the data into training and test sets (30% held out for testing)
(trainingData, testData) = data.randomSplit([0.7, 0.3])

# Train a RandomForest model.
#  Empty categoricalFeaturesInfo indicates all features are continuous.
#  Note: Use larger numTrees in practice.
#  Setting featureSubsetStrategy="auto" lets the algorithm choose.
model = RandomForest.trainClassifier(trainingData, numClasses=2, categoricalFeaturesInfo={},
                                     numTrees=3, featureSubsetStrategy="auto",
                                     impurity='gini', maxDepth=4, maxBins=32)

# Evaluate model on test instances and compute test error
predictions = model.predict(testData.map(lambda x: x.features)) 

我没有看到任何model.predict_proba()方法——我该怎么办？

据我所知，当前版本（1.2.1）不支持这一点。原生 Scala 代码 (tree.py) 上的 Python 包装器仅定义“预测”函数，这些函数又调用相应的 Scala 对应项 (treeEnsembleModels.scala)。后者通过在二元决策中进行投票来做出决策。一个更干净的解决方案是提供一个概率预测，它可以任意阈值化或用于 ROC 计算，如 sklearn 中。未来版本应该添加此功能！

作为解决方法，我将 Predict_proba 实现为纯 Python 函数（请参见下面的示例）。它既不优雅也不高效，因为它在森林中的一组单独的决策树上运行循环。技巧（或者更确切地说是一个肮脏的黑客）是访问 Java 决策树模型数组并将它们转换为 Python 对应项。之后，您可以计算单个模型对整个数据集的预测，并使用“zip”将它们的总和累加到 RDD 中。除以树的数量即可得到所需的结果。对于大型数据集，主节点中少量决策树的循环应该是可以接受的。

由于将 Python 集成到 Spark（在 Java 中运行）中存在困难，下面的代码相当棘手。人们应该非常小心，不要将任何复杂的数据发送到工作节点，这会导致由于序列化问题而崩溃。任何引用 Spark 上下文的代码都不能在工作节点上运行。此外，引用任何 Java 代码的代码都不能被序列化。例如，在下面的代码中使用 len(trees) 而不是 ntrees 可能很诱人 - 砰！在 Java/Scala 中编写这样的包装器可以更加优雅，例如通过在工作节​​点上的决策树上运行循环，从而降低通信成本。

下面的测试函数表明，predict_proba 给出的测试误差与原始示例中使用的预测相同。

def predict_proba(rf_model, data):
   '''
   This wrapper overcomes the "binary" nature of predictions in the native
   RandomForestModel. 
   '''

    # Collect the individual decision tree models by calling the underlying
    # Java model. These are returned as JavaArray defined by py4j.
    trees = rf_model._java_model.trees()
    ntrees = rf_model.numTrees()
    scores = DecisionTreeModel(trees[0]).predict(data.map(lambda x: x.features))

    # For each decision tree, apply its prediction to the entire dataset and
    # accumulate the results using 'zip'.
    for i in range(1,ntrees):
        dtm = DecisionTreeModel(trees[i])
        scores = scores.zip(dtm.predict(data.map(lambda x: x.features)))
        scores = scores.map(lambda x: x[0] + x[1])

    # Divide the accumulated scores over the number of trees
    return scores.map(lambda x: x/ntrees)

def testError(lap):
    testErr = lap.filter(lambda (v, p): v != p).count() / float(testData.count())
    print('Test Error = ' + str(testErr))


def testClassification(trainingData, testData):

    model = RandomForest.trainClassifier(trainingData, numClasses=2,
                                         categoricalFeaturesInfo={},
                                         numTrees=50, maxDepth=30)

    # Compute test error by thresholding probabilistic predictions
    threshold = 0.5
    scores = predict_proba(model,testData)
    pred = scores.map(lambda x: 0 if x < threshold else 1)
    lab_pred = testData.map(lambda lp: lp.label).zip(pred)
    testError(lab_pred)

    # Compute test error by comparing binary predictions
    predictions = model.predict(testData.map(lambda x: x.features))
    labelsAndPredictions = testData.map(lambda lp: lp.label).zip(predictions)
    testError(labelsAndPredictions)

总而言之，这是学习 Spark 的一次很好的练习！