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个点:

"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)

预测是完全疯狂的,就像-6.92840330273e+136.如果我没有设置迭代train(),那么我得到nan结果.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

问题是LinearRegressionWithSGD使用随机梯度下降(SGD)来优化线性模型的权重向量.SGD对stepSize用于更新中间解决方案的提供的内容非常敏感.

SGD所做的是在g给定输入点和当前权重的样本的情况下计算成本函数的梯度w.为了更新权重,w你需要在相反方向上移动一定距离g.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假设stepSize = 1.这似乎不适用于您的用例.我建议你尝试不同的步长,通常是较低的值,看看LinearRegressionWithSGD行为如何:

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