Sparkmllib scala邏輯迴歸

logistic迴歸又稱logistic迴歸分析，是一種廣義的線性迴歸分析模型，常用於數據挖掘，疾病自動診斷，經濟預測等領域。例如，探討引發疾病的危險因素，並根據危險因素預測疾病發生的概率等。以胃癌病情分析爲例，選擇兩組人羣，一組是胃癌組，一組是非胃癌組，兩組人羣必定具有不同的體徵與生活方式等。因此因變量就爲是否胃癌，值爲“是”或“否”，自變量就可以包括很多了，如年齡、性別、飲食習慣、幽門螺桿菌感染等。自變量既可以是連續的，也可以是分類的。然後通過logistic迴歸分析，可以得到自變量的權重，從而可以大致瞭解到底哪些因素是胃癌的危險因素。同時根據該權值可以根據危險因素預測一個人患癌症的可能性。

 

數據源準備：

position;square;price;direction;type;name;
0;190;20000;0;4室2廳2衛;中信城(別墅);
0;190;20000;0;4室2廳2衛;中信城(別墅);
5;400;15000;0;4室3廳3衛;融創上城;
0;500;15000;0;5室3廳2衛;中海萊茵東郡;
5;500;15000;0;5室3廳4衛;融創上城(別墅);
1;320;15000;1;1室1廳1衛;長江花園;
0;143;12000;0;3室2廳2衛;融創上城;
0;200;10000;0;4室3廳2衛;中海萊茵東郡(別墅);
0;207;9000;0;4室3廳4衛;中海萊茵東郡;
0;130;8500;0;3室2廳2衛;偉峯東第;
5;150;7000;0;3室2廳2衛;融創上城;
2;178;6000;0;4室2廳2衛;鴻城國際花園;
5;190;6000;0;3室2廳2衛;亞泰豪苑C棟;
1;150;6000;0;5室1廳2衛;通安新居A區;
2;165;6000;0;3室2廳2衛;萬科惠斯勒小鎮;
0;64;5500;0;1室1廳1衛;保利中央公園;
2;105;5500;0;2室2廳1衛;虹館;
1;160;5300;0;3室2廳1衛;昊源高格藍灣;
2;170;5100;0;4室2廳2衛;亞泰鼎盛國際;
0;155;5000;0;3室2廳2衛;中海水岸馨都;
5;128;5000;0;4室2廳1衛;長影世紀村;
0;145;4500;0;3室2廳2衛;富奧臨河灣;
2;92;4200;0;3室2廳1衛;御翠豪庭尚府一期;
0;75;4100;0;1室1廳1衛;恆大雅苑;
5;105;4000;0;2室1廳1衛;南湖名家;
2;93;4000;0;3室2廳1衛;御翠豪庭尚府一期;
5;121;4000;0;3室1廳1衛;萬達廣場;
0;104;4000;0;2室1廳1衛;棠棣;
1;135;4000;0;3室2廳2衛;萬科藍山;
5;98;4000;0;2室2廳1衛;華億紅府;
0;128;3800;0;3室2廳1衛;復地哥德堡森林;
2;154;3700;0;3室2廳2衛;長春明珠;
0;100;3700;0;2室2廳1衛;翡翠花溪;
4;66;3700;0;1室1廳1衛;長客廠南;
2;106;3600;0;2室2廳1衛;虹館;
5;132;3500;0;3室2廳1衛;大禹城邦;
1;135;3500;0;3室2廳1衛;昊源高格藍灣;
0;130;3500;0;3室2廳1衛;中海國際社區(AJ區);
2;70;3500;0;2室1廳1衛;中信御園;
0;145;3500;0;3室2廳2衛;萬盛東城;
5;132;3500;0;3室2廳2衛;大禹城邦;
5;100;3300;0;2室2廳1衛;國信南湖公館;
5;75;3200;0;1室1廳1衛;南湖祥水灣;
0;120;3200;0;3室3廳2衛;復地哥德堡森林;
2;95;3200;0;3室2廳1衛;萬科金域長春;
0;106;3200;0;2室2廳1衛;富騰天下城;
5;118;3200;0;3室2廳2衛;融創上城(別墅);
1;130;3200;0;3室2廳1衛;萬龍名城;
0;137;3200;0;3室2廳2衛;中海國際社區(AJ區);

 

Demo：

import org.apache.spark.SparkConf
import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.sql.SparkSession

/**
 * 邏輯迴歸
 */
object logic {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("logic")
    val spark = SparkSession.builder().config(conf).getOrCreate()

    val file = spark.read.format("csv").option("sep", ";").option("header", "true").load("house.csv")

    import spark.implicits._
    val random = new util.Random()

    // 加載訓練數據
    val data = file.select("square", "price").map(rows => (rows.getAs[String](0).toDouble, rows.getString(1)
      .toDouble, random.nextDouble())).toDF("square", "price", "random")
      .sort("random")
    
    val assembler = new VectorAssembler()
      .setInputCols(Array("square"))
      .setOutputCol("features")

    val frame = assembler.transform(data)

    //把數據集拆分2個部分 training (80%) and test (20%).
    val Array(train, test) = frame.randomSplit(Array(0.8, 0.2))

    //創建邏輯迴歸
    val lr = new LogisticRegression().setLabelCol("price").setFeaturesCol("features")
      .setRegParam(0.3)
      .setElasticNetParam(0.8)
      .setMaxIter(10)

    val model = lr.fit(train)
    model.transform(test).show(50,truncate = true)
    val iterations = model.summary.totalIterations
    println(s"iter:${iterations}")

    spark.stop()
  }
}