R SparkR spark.fmRegressor用法及代碼示例

說明：

spark.fmRegressor 針對 SparkDataFrame 擬合分解回歸模型。用戶可以調用summary打印擬合模型的摘要，調用predict對新數據進行預測，調用write.ml/read.ml保存/加載擬合模型。

用法：

spark.fmRegressor(data, formula, ...)

## S4 method for signature 'SparkDataFrame,formula'
spark.fmRegressor(
  data,
  formula,
  factorSize = 8,
  fitLinear = TRUE,
  regParam = 0,
  miniBatchFraction = 1,
  initStd = 0.01,
  maxIter = 100,
  stepSize = 1,
  tol = 1e-06,
  solver = c("adamW", "gd"),
  seed = NULL,
  stringIndexerOrderType = c("frequencyDesc", "frequencyAsc", "alphabetDesc",
    "alphabetAsc")
)

## S4 method for signature 'FMRegressionModel'
summary(object)

## S4 method for signature 'FMRegressionModel'
predict(object, newData)

## S4 method for signature 'FMRegressionModel,character'
write.ml(object, path, overwrite = FALSE)

參數：

• data 用於模型擬合的 SparkDataFrame 觀察值和標簽。
• formula 要擬合的模型的符號說明。目前僅支持少數公式運算符，包括'~'、'.'、':'、'+'和'-'。
• ... 傳遞給該方法的附加參數。
• factorSize 因子的維度。
• fitLinear 是否擬合線性項。 # TODO 我們可以用公式來表達嗎？
• regParam 正則化參數。
• miniBatchFraction 小批量分數參數。
• initStd 初始係數的標準差。
• maxIter 最大迭代次數。
• stepSize 步長參數。
• tol 迭代的收斂容差。
• solver 求解器參數，支持的選項："gd"(小批量梯度下降)或"adamW"。
• seed 權重初始化的種子參數。
• stringIndexerOrderType 如何對字符串特征列的類別進行排序。這用於確定字符串特征的基本級別，作為編碼字符串時刪除排序後的最後一個類別。支持的選項有 "frequencyDesc"、"frequencyAsc"、"alphabetDesc" 和 "alphabetAsc"。默認值為"frequencyDesc"。當 ordering 設置為 "alphabetDesc" 時，這會在編碼字符串時丟棄與 R 相同的類別。
• object spark.fmRegressor 擬合的 FM 回歸模型模型。
• newData 用於測試的 SparkDataFrame。
• path 保存模型的目錄。
• overwrite 如果輸出路徑已經存在，是否覆蓋。默認為 FALSE，這意味著如果輸出路徑存在則拋出異常。

返回：

spark.fmRegressor 返回擬合的分解機回歸模型。

summary 返回擬合模型的匯總信息，是一個列表。

predict 返回基於 FMRegressionModel 的預測值。

注意：

spark.fmRegressor 自 3.1.0 起

摘要(FMRegressionModel)自 3.1.0 起

從 3.1.0 開始預測(FMRegressionModel)

write.ml(FMRegressionModel, character) 自 3.1.0 起

例子：

df <- read.df("data/mllib/sample_linear_regression_data.txt", source = "libsvm")

# fit Factorization Machines Regression Model
model <- spark.fmRegressor(
  df, label ~ features,
  regParam = 0.01, maxIter = 10, fitLinear = TRUE
)

# get the summary of the model
summary(model)

# make predictions
predictions <- predict(model, df)

# save and load the model
path <- "path/to/model"
write.ml(model, path)
savedModel <- read.ml(path)
summary(savedModel)