问题描述
我们有一个机器学习分类器模型,该模型已通过pandas数据框和标准sklearn管道(StandardScaler,RandomForestClassifier,gridsearchcv等)进行了训练。我们正在研究Databricks,并希望使用并行计算Spark提议将此管道扩展到大型数据集。
将sklearn管道转换为可并行计算的东西的最快方法是什么? (我们可以根据需要轻松地在熊猫和Spark DF之间切换。)
对于上下文,我们的选择似乎是:
- 使用MLLib(耗时)重写管道
- 使用sklearn-spark桥接库
在选项2上,Spark-Sklearn似乎是deprecated,但我们使用joblibspark的是Databricks recommends。但是,这在Databricks上引发了一个例外:
from sklearn import svm,datasets
from sklearn.model_selection import gridsearchcv
from joblibspark import register_spark
from sklearn.utils import parallel_backend
register_spark() # register spark backend
iris = datasets.load_iris()
parameters = {'kernel':('linear','rbf'),'C':[1,10]}
svr = svm.SVC(gamma='auto')
clf = gridsearchcv(svr,parameters,cv=5)
with parallel_backend('spark',n_jobs=3):
clf.fit(iris.data,iris.target)
提高
py4j.security.Py4JSecurityException: Method public int org.apache.spark.SparkContext.maxnumConcurrentTasks() is not whitelisted on class class org.apache.spark.SparkContext
解决方法
根据Databricks的说明(here和here),必要的要求是:
- Python 3.6 +
-
pyspark>=2.4
-
scikit-learn>=0.21
-
joblib>=0.14
在运行Python 3.7.5,Spark 3.0.0,scikit-learn 0.22.1和joblib 0.14.1的Databricks社区群集中,我无法重现您的问题:
import sys
import sklearn
import joblib
spark.version
# '3.0.0'
sys.version
# '3.7.5 (default,Nov 7 2019,10:50:52) \n[GCC 8.3.0]'
sklearn.__version__
# '0.22.1'
joblib.__version__
# '0.14.1'
使用上述设置,您的代码段可以平稳运行,并确实生成分类器clf
:
GridSearchCV(cv=5,error_score=nan,estimator=SVC(C=1.0,break_ties=False,cache_size=200,class_weight=None,coef0=0.0,decision_function_shape='ovr',degree=3,gamma='auto',kernel='rbf',max_iter=-1,probability=False,random_state=None,shrinking=True,tol=0.001,verbose=False),iid='deprecated',n_jobs=None,param_grid={'C': [1,10],'kernel': ('linear','rbf')},pre_dispatch='2*n_jobs',refit=True,return_train_score=False,scoring=None,verbose=0)
here中的替代示例也是如此:
from sklearn.utils import parallel_backend
from sklearn.model_selection import cross_val_score
from sklearn import datasets
from sklearn import svm
from joblibspark import register_spark
register_spark() # register spark backend
iris = datasets.load_iris()
clf = svm.SVC(kernel='linear',C=1)
with parallel_backend('spark',n_jobs=3):
scores = cross_val_score(clf,iris.data,iris.target,cv=5)
print(scores)
给予
[0.96666667 1. 0.96666667 0.96666667 1. ]
,
感谢desertnaut的回答-这个答案对于标准的Spark / Databricks设置应该是正确的,因此,鉴于我的问题的措辞/对其他读者的潜在用处,
提供了一个单独的“答案”,从而发现了我们所遇到的问题:Databricks支持人员认为,我们所遇到的问题是由于我们使用了一种特殊类型的集群(在AWS上启用了凭证传递的高并发性)所致。对于这种类型的集群,没有将grid.fit()列入白名单,Databricks建议他们需要与工程团队一起将其列入白名单。