Apache Spark中的决策树
决策树是在顺序决策问题进行分类，预测和促进决策的有效方法。决策树由两部分组成：
- 决策(Desion)
- 结果(Outcome)
决策树包含三种类型的节点：
- 根节点(Root node)：包含所有数据的树的顶层节点。
- 分割节点(Splitting node)：将数据分配给子组(subgroup)的节点。
- 终端节点(Terminal node)：最终决定(即结果)。
(分割节点(Splitting node)，仅就离散数学中的树的概念而言，就是指分支节点，下面的翻译为了强调"分支"有时会翻译成分支结点，译者注)
为了抵达终端结点或者说获得结果，该过程从根节点开始。根据在根节点上做出的决定，选择分支节点。基于在分支节点上做出的决定，选择下一个子分支节点。这个过程继续下去，直到我们到达终端节点，终端节点的值是我们的结果。
Apache Spark中的决策树
Apache Spark中没有决策树的实现可能听起来很奇怪。然而从技术上来说是有的。在Apache Spark中，您可以找到一个随机森林算法的实现，该算法实现可以由用户指定树的数量。因此，Apache Spark使用一棵树来调用随机森林。
在Apache Spark中，决策树是在特征空间上执行递归二进制分割的贪婪算法。树给每个***部(即叶子结点)分区预测了相同的标签。为了***化树的节点处的信息增益，通过在一组可能的分支中选择其中的***分割来贪婪地选择每个分支结点。
节点不纯度(impurity)是节点上标签一致性的度量。目前的实施提供了两种不纯的分类方法(Gini杂质和熵(Gini impurity and entropy))。
停止规则
在满足以下列条件之一的情况下，在节点处停止递归树构建(即只要满足一个就停止，译者注)：
- 节点深度等于训练用的 maxDepth 参数。
- 没有候选的分割结点导致信息收益大于 minInfoGain 。
- 没有候选的分割结点去产生(至少拥有训练minInstancesPerNode实例)的子节点 。
有用的参数
- algo：它可以是分类或回归。
- numClasses：分类类的数量。
- maxDepth：根据节点定义树的深度。
- minInstancesPerNode：对于要进一步拆分的节点，其每个子节点必须至少接收到这样的训练实例数(即实例数必须等于这个参数)。
- minInfoGain：对于一个节点进一步拆分，必须满足拆分后至少提高这么多信息量。
- maxBins：离散连续特征时使用的bin数。
准备决策树的训练数据
您不能直接向决策树提供任何数据。它需要一种特殊的格式来提供。您可以使用 HashingTF 技术将训练数据转换为标记数据，以便决策树可以理解。这个过程也被称为数据的标准化。
(数据)供给和获得结果
一旦数据被标准化，您就可以提供相同的决策树算法进来行分类。但在此之前，您需要分割数据以用于训练和测试目的; 为了测试的准确性，你需要保留一部分数据进行测试。你可以像这样提供数据：
- al splits = data.randomSplit(Array(0.7, 0.3))
- val (trainingData, testData) = (splits(0), splits(1))
- // Train a DecisionTree model.
- // Empty categoricalFeaturesInfo indicates all features are continuous.
- val numClasses = 2
- val categoricalFeaturesInfo = Map[Int, Int]()
- val impurity = "gini"
- val maxDepth = 5
- val maxBins = 32
- val model = DecisionTree.trainClassifier(trainingData, numClasses, categoricalFeaturesInfo,
- impurity, maxDepth, maxBins)
在这里，数据是我的标准化输入数据，为了训练和测试目的，我将其分成7：3的比例。我们正在使用***深度的为5的"gini" 杂质("gini" impurity)。
一旦模型生成，您也可以尝试预测其他数据的分类。但在此之前，我们需要验证最近生成的模型的分类准确性。您可以通过计算"test error"来验证其准确性。
- / Evaluate model on test instances and compute test error
- val labelAndPreds = testData.map { point =>
- val prediction = model.predict(point.features)
- (point.label, prediction)
- }
- val testErr = labelAndPreds.filter(r => r._1 != r._2).count().toDouble / testData.count()
- println("Test Error = " + testErr)
就是这样!你可以在这里查看一个正在运行的例子。
