Scala: MLlib SVM

Spark MLlib SVM 的操作紀錄

Support Vector Machine (SVM) 是一種常見的分類器，可以給予兩個類別的分類結果。一般我們在研究中，可以使用像是 libSVM 這樣的開源軟體，作為執行分類的演算法。而在 Spark 的 MLlib 中，也已經實作了 SVM 分類器，因此，我們可以直接取用，而不需要重寫這部分的程式。

libSVM: https://www.csie.ntu.edu.tw/~cjlin/libsvm/

此軟體為台大林智仁老師開發，大概是最常被使用的 SVM 套件，網路上有許多使用的教學。推薦一開始接觸 SVM 演算法的同學可以使用看看。

不過，在 MLlib 實作的版本中有三個主要的缺點:

  1. MLlib 中的 SVM 只有 linear model，而無法使用 kernel (例如常見的 RBF 函式)。這一個缺點比較好理解，因為 Spark 要平行化處理的緣故， linear model 的平行化比起 kernel method 來說，簡單，而且有數學支撐。

  2. MLlib SVM 並不支援 multi-class。這一點就頗為奇怪，畢竟，對於其他的分類器，已經有 OnevsRest 這樣的功能實作。而 multi-class SVM 在 libSVM 中實作方法，實際上跟 OnevsRest 非常類似，不知為何不結合在一起?

  3. MLlib SVM 並不支援參數選擇。這部分是還好，畢竟自己做一個 For 迴圈來選擇 c-SVM 中的權重就可以了。不過，感覺整合進入現有的 MLlib 中應該也不是太大的問題

MLlib SVM 分類器

在 Spark 中，SVM 被實作在 MLlib 中，我們先從其提供的範例開始。

/*
 * Licensed to the Apache Software Foundation (ASF) under one or more
 * contributor license agreements.  See the NOTICE file distributed with
 * this work for additional information regarding copyright ownership.
 * The ASF licenses this file to You under the Apache License, Version 2.0
 * (the "License"); you may not use this file except in compliance with
 * the License.  You may obtain a copy of the License at
 *
 *    http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

// scalastyle:off println
package org.apache.spark.examples.mllib

import org.apache.spark.{SparkConf, SparkContext}
// $example on$
import org.apache.spark.mllib.classification.{SVMModel, SVMWithSGD}
import org.apache.spark.mllib.evaluation.BinaryClassificationMetrics
import org.apache.spark.mllib.util.MLUtils
// $example off$

object SVMWithSGDExample {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("SVMWithSGDExample")
    val sc = new SparkContext(conf)

    // $example on$
    // Load training data in LIBSVM format.
    val data = MLUtils.loadLibSVMFile(sc, "data/mllib/sample_libsvm_data.txt")

    // Split data into training (60%) and test (40%).
    val splits = data.randomSplit(Array(0.6, 0.4), seed = 11L)
    val training = splits(0).cache()
    val test = splits(1)

    // Run training algorithm to build the model
    val numIterations = 100
    val model = SVMWithSGD.train(training, numIterations)

    // Clear the default threshold.
    model.clearThreshold()

    // Compute raw scores on the test set.
    val scoreAndLabels = test.map { point =>
      val score = model.predict(point.features)
      (score, point.label)
    }

    // Get evaluation metrics.
    val metrics = new BinaryClassificationMetrics(scoreAndLabels)
    val auROC = metrics.areaUnderROC()

    println(s"Area under ROC = $auROC")

    // Save and load model
    model.save(sc, "target/tmp/scalaSVMWithSGDModel")
    val sameModel = SVMModel.load(sc, "target/tmp/scalaSVMWithSGDModel")
    // $example off$

    sc.stop()
  }
}
// scalastyle:on println

在這份範例程式中，使用不同的方式 (SparkContext) 來建立一個 Spark 物件，和之前範例中，建立 Spark Session 的方法不同。由於我們是在本機執行 Spark 程式，所以要加上以下的資訊:

    val conf = new SparkConf().setAppName("SVMWithSGDExample")
    .setMaster("local")

之後，有機會應該會解說兩者的差異。

在這分程式中，關於 SVM 參數設定只有在以下的部分:

    // Run training algorithm to build the model
    val numIterations = 100
    val model = SVMWithSGD.train(training, numIterations)

若要設定更多變數，可以參考: https://spark.apache.org/docs/2.2.0/api/scala/index.html#org.apache.spark.mllib.classification.SVMWithSGD

Multi-class SVM 的延伸

考慮到原本 SVM 的設計是一對一的分類，當我們要處理多類別分類時，就需要做一些小小的改變。在 libSVM 和 Spark 中，都是採用 One-vs-One 的方法，簡單來說，假設有三類: A、B、C，One-vs-One 會產生 3 (3*2/2) 個不同的分類器，分別是: {A vs B}、{B vs A}、{C vs A}。同一筆待分類的資料會通過 3 個分類器，最終的分類結果則按此 3 分類器投票產出。

LIBSVM implements the "one-against-one" approach for multi-class classification. If k is the number of classes, then k(k-1)/2 classifiers are constructed and each one trains data from two classes.

In classification we use a voting strategy: each binary classification is considered to be a voting where votes can be cast for all data points x - in the end a point is designated to be in a class with the maximum number of votes.

事實上，libSVM 也有嘗試使用 One-vs-Rest 的分式進行分類，但在最後，因為分類結果差不多，而計算時間由 One-vs-One 分類結果勝出的緣故，所以改用 One-vs-One 進行 multi-class 的實作。

PreviousScala: Multi-class ClassifierNextScala: 資料的輸入與處理

Last updated

Was this helpful?