Spark mllib 预测奇怪的数字或 NaN

Question

我是 Apache Spark 的新手，并尝试使用机器学习库来预测一些数据。 我现在的数据集只有大约 350 个点。 以下是其中的7点：

"365","4",41401.387,5330569
"364","3",51517.886,5946290
"363","2",55059.838,6097388
"362","1",43780.977,5304694
"361","7",46447.196,5471836
"360","6",50656.121,5849862
"359","5",44494.476,5460289

这是我的代码：

def parsePoint(line):
    split = map(sanitize, line.split(','))
    rev = split.pop(-2)
    return LabeledPoint(rev, split)

def sanitize(value):
    return float(value.strip('"'))

parsedData = textFile.map(parsePoint)
model = LinearRegressionWithSGD.train(parsedData, iterations=10)

print model.predict(parsedData.first().features)

预测完全是疯狂的，比如-6.92840330273e+136 。 如果我不在train()设置迭代，那么结果是nan 。 我究竟做错了什么？ 是我的数据集（可能是它的大小？）还是我的配置？

Answer 1

问题在于LinearRegressionWithSGD使用随机梯度下降 (SGD) 来优化线性模型的权重向量。 SGD 对提供的用于更新中间解决方案的stepSize非常敏感。

SGD 所做的是在给定输入点样本和当前权重w情况下计算成本函数的梯度g 。 为了更新权重w你在g的相反方向上走一段距离。 距离是您的步长s 。

w(i+1) = w(i) - s * g   

由于您没有提供明确的步长值，MLlib 假定stepSize = 1 。 这似乎不适用于您的用例。 我建议您尝试不同的步长，通常是较低的值，以查看LinearRegressionWithSGD行为：

LinearRegressionWithSGD.train(parsedData, numIterartions = 10, stepSize = 0.001)