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

Question

我尝试在不带StringIndexer的管道中使用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，因此此代码应该可以工作：

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

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

当然，我可以只放StringIndexer并让他使它适用于我的双重“标签”字段，但是我想使用DecisionTreeClassifier的输出rawPrediction列来为每一行获得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)

如果将StringIndexer放置在Pipeline中-我将不知道rawPrediction矢量中输入标签“ 0.0”和“ 1.0”的索引，因为String indexer将按值的频率进行索引，该频率可能会有所不同。

请在不使用StringIndexer的情况下帮助为DecisionTreeClassifier准备数据，或者建议采用其他方法来获取每行原始标签的概率（0.0; 1.0）。

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)