R SparkR spark.mlp用法及代碼示例

說明：

spark.mlp 針對 SparkDataFrame 擬合多層感知器神經網絡模型。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。僅支持分類數據。有關詳細信息，請參閱Multilayer Perceptron

用法：

spark.mlp(data, formula, ...)

## S4 method for signature 'SparkDataFrame,formula'
spark.mlp(
  data,
  formula,
  layers,
  blockSize = 128,
  solver = "l-bfgs",
  maxIter = 100,
  tol = 1e-06,
  stepSize = 0.03,
  seed = NULL,
  initialWeights = NULL,
  handleInvalid = c("error", "keep", "skip")
)

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

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

## S4 method for signature 'MultilayerPerceptronClassificationModel,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。
• layers 包含每層節點數的整數向量。
• blockSize 塊大小參數。
• solver 求解器參數，支持的選項："gd"(小批量梯度下降)或"l-bfgs"。
• maxIter 最大迭代次數。
• tol 迭代的收斂容差。
• stepSize 步長參數。
• seed 權重初始化的種子參數。
• initialWeights 權重初始化的 initialWeights 參數，它應該是一個數字向量。
• handleInvalid 如何處理字符串類型的特征和標簽列中的無效數據(看不見的標簽或 NULL 值)。支持的選項："skip"(過濾掉包含無效數據的行)、"error"(拋出錯誤)、"keep"(將無效數據放入特殊的附加存儲桶中，索引為 numLabels)。默認為"error"。
• object spark.mlp 擬合的多層感知器分類模型
• 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.mlp 返回擬合的多層感知器分類模型。

summary 返回擬合模型的匯總信息，是一個列表。該列表包括numOfInputs(輸入數量)、numOfOutputs(輸出數量)、layers(包括輸入和輸出層的層大小數組)和weights(層的權重)。對於 weights ，它是一個長度等於給定架構的預期長度的數字向量(即，對於 8-10-2 網絡，112 個連接權重)。

predict 返回一個 SparkDataFrame，其中包含在名為 "prediction" 的列中標記的預測值。

注意：

spark.mlp 自 2.1.0

摘要(MultilayerPerceptronClassificationModel) 自 2.1.0

從 2.1.0 開始預測(MultilayerPerceptronClassificationModel)

write.ml(MultilayerPerceptronClassificationModel, character) 自 2.1.0

例子：

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

# fit a Multilayer Perceptron Classification Model
model <- spark.mlp(df, label ~ features, blockSize = 128, layers = c(4, 3), solver = "l-bfgs",
                   maxIter = 100, tol = 0.5, stepSize = 1, seed = 1,
                   initialWeights = c(0, 0, 0, 0, 0, 5, 5, 5, 5, 5, 9, 9, 9, 9, 9))

# 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)