Big Data Analytics 简明教程
Big Data Analytics - Online Learning
在线学习是机器学习的一个子领域,它允许将监督学习模型扩展到海量数据集。基本思想是我们不需要在内存中读取所有数据来拟合模型,我们只需要一次读取每个实例。
在这种情况下,我们将展示如何使用逻辑回归来实现在线学习算法。与大多数监督学习算法一样,有一个要最小化的成本函数。在逻辑回归中,成本函数定义为−
J(\theta) \: = \: \frac{-1}{m} \left [ \sum_{i = 1} {m}y {(i)}log(h_{\theta}(x^{(i)})) + (1 - y^{(i)}) log(1 - h_{\theta}(x^{(i)})) \right ]
其中 J(θ) 表示成本函数,hθ(x) 表示假设。在逻辑回归的情况下,它由以下公式定义−
h_\theta(x) = \frac{1}{1 + e {\theta T x}}
现在我们已经定义了成本函数,我们需要找到一个算法来最小化它。实现这一点的最简单算法称为随机梯度下降。逻辑回归模型权重的算法更新规则定义如下−
\theta_j : = \theta_j - \alpha(h_\theta(x) - y)x
有几种实现以下算法的方法,但 vowpal wabbit 库中实现的方法是到目前为止最成熟的一种。该库允许训练大规模回归模型,并使用少量 RAM。用创建者自己的话说,它被描述为:“Vowpal Wabbit (VW) 项目是由 Microsoft Research 和(之前的)Yahoo! Research 赞助的快速 out-of-core 学习系统”。
我们将在 kaggle 竞赛中使用泰坦尼克号数据集。原始数据可以在 bda/part3/vw 文件夹中找到。在这里,我们有两个文件−
-
我们有训练数据(train_titanic.csv)和
-
未标记数据以进行新的预测 (test_titanic.csv)。
要将 csv 格式转换为 vowpal wabbit 输入格式,可以使用 csv_to_vowpal_wabbit.py python 脚本。很明显,你需要为此安装 python。导航到 bda/part3/vw 文件夹,打开终端并执行以下命令 −
python csv_to_vowpal_wabbit.py
请注意,对于此部分,如果你使用的是 Windows,你需要安装一个 Unix 命令行,进入 cygwin 网站。
打开终端,并在 bda/part3/vw 文件夹中执行以下命令 −
vw train_titanic.vw -f model.vw --binary --passes 20 -c -q ff --sgd --l1
0.00000001 --l2 0.0000001 --learning_rate 0.5 --loss_function logistic
让我们分解 vw call 的每个参数。
-
-f model.vw − 表示我们在 model.vw 文件中保存模型以供稍后进行预测。
-
--binary − 使用 -1,1 标记报告损失为二进制分类。
-
--passes 20 − 数据用于学习权重 20 次。
-
-c − 创建缓存文件。
-
-q ff − 在 f 命名空间中使用二次特征。
-
--sgd − 使用常规/经典/简单随机梯度下降更新,即非自适应、非归一化和非不变的。
-
--l1 --l2 − L1 和 L2 范数正则化。
-
--learning_rate 0.5 − 更新规则公式中定义的学习速率 αas。
以下代码显示了在命令行中运行回归模型的结果。在结果中,我们获得了平均对数损失和算法性能的一个小报告。
-loss_function logistic
creating quadratic features for pairs: ff
using l1 regularization = 1e-08
using l2 regularization = 1e-07
final_regressor = model.vw
Num weight bits = 18
learning rate = 0.5
initial_t = 1
power_t = 0.5
decay_learning_rate = 1
using cache_file = train_titanic.vw.cache
ignoring text input in favor of cache input
num sources = 1
average since example example current current current
loss last counter weight label predict features
0.000000 0.000000 1 1.0 -1.0000 -1.0000 57
0.500000 1.000000 2 2.0 1.0000 -1.0000 57
0.250000 0.000000 4 4.0 1.0000 1.0000 57
0.375000 0.500000 8 8.0 -1.0000 -1.0000 73
0.625000 0.875000 16 16.0 -1.0000 1.0000 73
0.468750 0.312500 32 32.0 -1.0000 -1.0000 57
0.468750 0.468750 64 64.0 -1.0000 1.0000 43
0.375000 0.281250 128 128.0 1.0000 -1.0000 43
0.351562 0.328125 256 256.0 1.0000 -1.0000 43
0.359375 0.367188 512 512.0 -1.0000 1.0000 57
0.274336 0.274336 1024 1024.0 -1.0000 -1.0000 57 h
0.281938 0.289474 2048 2048.0 -1.0000 -1.0000 43 h
0.246696 0.211454 4096 4096.0 -1.0000 -1.0000 43 h
0.218922 0.191209 8192 8192.0 1.0000 1.0000 43 h
finished run
number of examples per pass = 802
passes used = 11
weighted example sum = 8822
weighted label sum = -2288
average loss = 0.179775 h
best constant = -0.530826
best constant’s loss = 0.659128
total feature number = 427878
现在我们可以使用我们训练的 model.vw 来生成新数据的预测。
vw -d test_titanic.vw -t -i model.vw -p predictions.txt
在前面的命令中生成的预测未规范化以适合 [0, 1] 范围。为此,我们使用 sigmoid 转换。
# Read the predictions
preds = fread('vw/predictions.txt')
# Define the sigmoid function
sigmoid = function(x) {
1 / (1 + exp(-x))
}
probs = sigmoid(preds[[1]])
# Generate class labels
preds = ifelse(probs > 0.5, 1, 0)
head(preds)
# [1] 0 1 0 0 1 0