Spark mllib预测怪异数或NaN

Question

我是Apache Spark的新手，正在尝试使用机器学习库来预测一些数据。我的数据集现在只有约350点。以下是其中的7点：

"365","4",41401.387,5330569
"364","3",51517.886,5946290
"363","2",55059.838,6097388
"362","1",43780.977,5304694
"361","7",46447.196,5471836
"360","6",50656.121,5849862
"359","5",44494.476,5460289

这是我的代码：

def parsePoint(line):
    split = map(sanitize, line.split(','))
    rev = split.pop(-2)
    return LabeledPoint(rev, split)

def sanitize(value):
    return float(value.strip('"'))

parsedData = textFile.map(parsePoint)
model = LinearRegressionWithSGD.train(parsedData, iterations=10)

print model.predict(parsedData.first().features)

这种预言完全是疯狂的，就像-6.92840330273e+136。如果我没有在中设置迭代train()，那么我得到nan的结果。我究竟做错了什么？是我的数据集（可能是它的大小？）还是我的配置？

Answer 1

问题在于，LinearRegressionWithSGD使用随机梯度下降（SGD）来优化线性模型的权重向量。SGD对于提供stepSize的用于更新中间解决方案的方法确实很敏感。

SGD的作用是给g定输入点和当前权重的样本，计算成本函数的梯度w。为了更新权重，w您需要沿的相反方向走一段距离g。距离是您的步长s。

w(i+1) = w(i) - s * g

由于您未提供明确的步长值，因此MLlib假定为stepSize = 1。这似乎不适用于您的用例。我建议您尝试使用不同的步长（通常是较低的值），以了解LinearRegressionWithSGD其行为方式：

LinearRegressionWithSGD.train(parsedData, numIterartions = 10, stepSize = 0.001)