如何在通过pyspark.ml.tuning.TrainValidationSplit进行调优后获得最佳参数？

Question

我正试图通过PySpark( TrainValidationSplit )优化星火( ALS )模型的超参数。

它运行良好，但我想知道哪一个组合的超参数是最好的。如何获得评估后的最佳参数？

from pyspark.ml.recommendation import ALS
from pyspark.ml.tuning import TrainValidationSplit, ParamGridBuilder
from pyspark.ml.evaluation import RegressionEvaluator

df = sqlCtx.createDataFrame(
    [(0, 0, 4.0), (0, 1, 2.0), (1, 1, 3.0), (1, 2, 4.0), (2, 1, 1.0), (2, 2, 5.0)],
    ["user", "item", "rating"],
)

df_test = sqlCtx.createDataFrame(
    [(0, 0), (0, 1), (1, 1), (1, 2), (2, 1), (2, 2)],
    ["user", "item"],
)

als = ALS()

param_grid = ParamGridBuilder().addGrid(
    als.rank,
    [10, 15],
).addGrid(
    als.maxIter,
    [10, 15],
).build()

evaluator = RegressionEvaluator(
    metricName="rmse",
    labelCol="rating",
)
tvs = TrainValidationSplit(
    estimator=als,
    estimatorParamMaps=param_grid,
    evaluator=evaluator,
)


model = tvs.fit(df)

问:如何获得最佳排名和maxIter？

Answer 1

可以使用bestModel属性访问TrainValidationSplitModel的最佳模型。

best_model = model.bestModel

可以使用rank属性直接访问ALSModel的秩

best_model.rank

10

获得最大迭代次数需要更多的技巧：

(best_model
    ._java_obj     # Get Java object
    .parent()      # Get parent (ALS estimator)
    .getMaxIter()) # Get maxIter

10