Wir haben eine Pipeline (2.0.1), die aus mehreren Feature Transformation Phasen besteht.Spark: OneHot-Encoder und Speichern von Pipeline (Feature Dimension Problem)
Einige dieser Stufen sind OneHot-Encoder. Idee: Klassifizieren Sie eine Integer-basierte Kategorie in n unabhängige Features.
Wenn Sie das Pipeline-Modell trainieren und es zur Vorhersage aller Funktionen verwenden. Das gespeicherte Pipeline-Modell zu speichern und neu zu laden, verursacht jedoch Probleme:
Der gespeicherte "trainierte" OneHot-Encoder verfolgt nicht, wie viele Kategorien vorhanden sind. Das Laden dieser Funktion führt nun zu Problemen: Wenn das geladene Modell zur Vorhersage verwendet wird, ermittelt es erneut, wie viele Kategorien vorhanden sind, wodurch der Trainings-Feature-Space und der Vorhersage-Feature-Space eine andere Größe (Dimension) aufweisen. Siehe Beispiel-Code unten wie in einem Zeppelin Notebook laufen:
import org.apache.spark.ml.feature.OneHotEncoder
import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.PipelineModel
// Specifying two test samples, one with class 5 and one with class 3. This is OneHot encoded into 5 boolean features (sparse vector)
// Adding a 'filler' column because createDataFrame doesnt like single-column sequences and this is the easiest way to demo it ;)
val df = spark.createDataFrame(Seq((5, 1), (3, 1))).toDF("class", "filler")
val enc = new OneHotEncoder()
.setInputCol("class")
.setOutputCol("class_one_hot")
val pipeline = new Pipeline()
.setStages(Array(enc))
val model = pipeline.fit(df)
model.transform(df).show()
/*
+-----+------+-------------+
|class|filler|class_one_hot|
+-----+------+-------------+
| 5| 1|(5,[],[]) |
| 3| 1|(5,[3],[1.0])|
+-----+------+-------------+
Note: Vector of size 5
*/
model.write.overwrite().save("s3a://one-hot")
val loadedModel = PipelineModel.load("s3a://one-hot")
val df2 = spark.createDataFrame(Seq((3, 1))).toDF("class", "output") // When using the trained model our input consists of one row (prediction engine style). The provided category for the prediction feature set is category 3
loadedModel.transform(df2).show()
/*
+-----+------+-------------+
|class|output|class_one_hot|
+-----+------+-------------+
| 3| 1|(3,[],[]) |
+-----+------+-------------+
Note: Incompatible vector of size 3
*/
ich lieber nicht meinen eigenen OneHot Encoder machen, die diese Serialisierung nicht unterstützt, gibt es Alternativen, die ich aus der Box verwenden kann?