チュートリアル: glm を使用したデータの分析

Databricks で一般化線形モデル (GLM) を使用して線形回帰とロジスティック回帰を実行する方法について説明します。 glm は R の glm()と同様に一般化線型モデルに適合します。

構文: glm(formula, data, family...)

パラメーター:

  • formula:フィットするモデルの象徴的な説明、例: ResponseVariable ~ Predictor1 + Predictor2。 サポートされている演算子: ~、 +、 -、および .

  • data: 任意のスパークデータフレーム

  • family: 文字列、線形回帰の場合は"gaussian" 、ロジスティック回帰の場合は "binomial"

  • lambda: 数値, 正則化パラメーター

  • alpha: 数値、弾性ネットミキシングパラメーター

出力: MLlib パイプライン モデル

このチュートリアルでは、ダイヤモンドデータセットに対して線形回帰とロジスティック回帰を実行する方法を示します。

ダイヤモンドデータを読み込み、トレーニングセットとテストセットに分割 

require(SparkR)

# Read diamonds.csv dataset as SparkDataFrame
diamonds <- read.df("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv",
                  source = "com.databricks.spark.csv", header="true", inferSchema = "true")
diamonds <- withColumnRenamed(diamonds, "", "rowID")

# Split data into Training set and Test set
trainingData <- sample(diamonds, FALSE, 0.7)
testData <- except(diamonds, trainingData)

# Exclude rowIDs
trainingData <- trainingData[, -1]
testData <- testData[, -1]

print(count(diamonds))
print(count(trainingData))
print(count(testData))

head(trainingData)

トレーニングする glm() を使用した線形回帰モデル

このセクションでは、トレーニング データを使用して線形回帰モデルをトレーニングすることにより、その特徴からダイヤモンドの価格を予測する方法を示します。

カテゴリ特徴(カット-理想的、プレミアム、非常に良い...)と連続特徴(深さ、カラット)が混在しています。 SparkR はこれらの機能を自動的にエンコードするため、これらの機能を手動でエンコードする必要はありません。

# Family = "gaussian" to train a linear regression model
lrModel <- glm(price ~ ., data = trainingData, family = "gaussian")

# Print a summary of the trained model
summary(lrModel)

テスト データに対して predict() を使用して、新しいデータでモデルがどの程度うまく機能するかを確認します。

構文： predict(model, newData)

パラメーター:

  • model: MLlib モデル

  • newData: SparkDataFrame (通常はテスト セット)

アウトプット： SparkDataFrame

# Generate predictions using the trained model
predictions <- predict(lrModel, newData = testData)

# View predictions against mpg column
display(select(predictions, "price", "prediction"))

モデルを評価します。

errors <- select(predictions, predictions$price, predictions$prediction, alias(predictions$price - predictions$prediction, "error"))
display(errors)

# Calculate RMSE
head(select(errors, alias(sqrt(sum(errors$error^2 , na.rm = TRUE) / nrow(errors)), "RMSE")))

トレーニングする glm() を用いたロジスティック回帰モデル

このセクションでは、同じデータセットでロジスティック回帰を作成し、その特徴の一部に基づいてダイヤモンドのカットを予測する方法を示します。

MLlib のロジスティック回帰では、二項分類がサポートされています。 この例のアルゴリズムをテストするには、2 つのラベルで動作するようにデータをサブセット化します。

# Subset data to include rows where diamond cut = "Premium" or diamond cut = "Very Good"
trainingDataSub <- subset(trainingData, trainingData$cut %in% c("Premium", "Very Good"))
testDataSub <- subset(testData, testData$cut %in% c("Premium", "Very Good"))

# Family = "binomial" to train a logistic regression model
logrModel <- glm(cut ~ price + color + clarity + depth, data = trainingDataSub, family = "binomial")

# Print summary of the trained model
summary(logrModel)

# Generate predictions using the trained model
predictionsLogR <- predict(logrModel, newData = testDataSub)

# View predictions against label column
display(select(predictionsLogR, "label", "prediction"))

モデルを評価します。

errorsLogR <- select(predictionsLogR, predictionsLogR$label, predictionsLogR$prediction, alias(abs(predictionsLogR$label - predictionsLogR$prediction), "error"))
display(errorsLogR)