葡萄酒逻辑回归分类（scala实现）

葡萄酒分类（scala实现）

分类方法：逻辑回归

其中

0代表坏葡萄酒
1代表好葡萄酒

训练集中质量评分7.0以上被视为好葡萄酒

import org.apache.spark.ml.classification.LogisticRegressionimport org.apache.spark.ml.param.ParamMapimport org.apache.spark.ml.linalg.{Vector, Vectors}import org.apache.spark.ml.regression.LinearRegressionModelimport org.apache.spark.sql.{Row, SparkSession}object LogicRegressWineClassifyDemo {def main(args: Array[String]): Unit = {val sess = SparkSession.builder().appName("ml").master("local[4]").getOrCreate();val sc = sess.sparkContext;//数据目录val dataDir = "file:///D:/downloads/bigdata/ml/winequality-white.csv"//定义样例类case class Wine(FixedAcidity: Double, VolatileAcidity: Double,CitricAcid: Double, ResidualSugar: Double, Chlorides: Double,FreeSulfurDioxide: Double, TotalSulfurDioxide: Double, Density: Double, PH:Double, Sulphates: Double, Alcohol: Double, Quality: Double)//变换val wineDataRDD = sc.textFile(dataDir).map(_.split(";")).map(w => Wine(w(0).toDouble, w(1).toDouble,w(2).toDouble, w(3).toDouble, w(4).toDouble, w(5).toDouble, w(6).toDouble, w(7).toDouble, w(8).toDouble, w(9).toDouble, w(10).toDouble, w(11).toDouble))import sess.implicits._//转换RDD成DataFrameval trainingDF = wineDataRDD.map(w => (if (w.Quality < 7) 0D else 1D,Vectors.dense(w.FixedAcidity, w.VolatileAcidity, w.CitricAcid,w.ResidualSugar, w.Chlorides, w.FreeSulfurDioxide, w.TotalSulfurDioxide,w.Density, w.PH, w.Sulphates, w.Alcohol))).toDF("label", "features")//创建线性回归对象val lr = new LogisticRegression()//设置最大迭代次数lr.setMaxIter(10).setRegParam(0.01)//val model = lr.fit(trainingDF)//创建测试Dataframeval testDF = sess.createDataFrame(Seq((1.0,Vectors.dense(6.1, 0.32, 0.24, 1.5, 0.036, 43, 140, 0.9894, 3.36, 0.64, 10.7)),(0.0, Vectors.dense(5.2, 0.44, 0.04, 1.4, 0.036, 38, 124, 0.9898, 3.29, 0.42, 12.4)),(0.0,Vectors.dense(7.2, 0.32, 0.47, 5.1, 0.044, 19, 65, 0.9951, 3.38, 0.36, 9)),(0.0, Vectors.dense(6.4, 0.595, 0.14, 5.2, 0.058, 15, 97, 0.991, 3.03, 0.41, 12.6)))).toDF("label", "features")//显式测试数据testDF.show();println("========================")//预测测试数据(带标签),评测模型的质量。testDF.createOrReplaceTempView("test")val tested = model.transform(testDF).select("features", "label", "prediction")tested.show();println("========================")//预测无标签的测试数据。val predictDF = sess.sql("SELECT features FROM test")//预测结果val predicted = model.transform(predictDF).select("features", "prediction")predicted.show();}}

葡萄酒逻辑回归分类（scala实现）相关推荐

python利用什么写模板_Python利用逻辑回归分类实现模板
Logistic Regression Classifier逻辑回归主要思想就是用最大似然概率方法构建出方程,为最大化方程,利用牛顿梯度上升求解方程参数. 优点:计算代价不高,易于理解和实现. 缺点: ...
spark java 逻辑回归_逻辑回归分类技术分享，使用Java和Spark区分垃圾邮件
原标题:逻辑回归分类技术分享,使用Java和Spark区分垃圾邮件由于最近的工作原因,小鸟很久没给大家分享技术了.今天小鸟就给大家介绍一种比较火的机器学习算法,逻辑回归分类算法. 回归是一种监督式学 ...
R语言使用逻辑回归分类算法
R语言使用逻辑回归分类算法逻辑回归属于概率统计的分类算法模型的算法,是根据一个或者多个特征进行类别标号预测.在R语言中可以通过调用logit函数执行逻辑回归分类算法并预测输出概率.通过调用glm函数 ...
python机器学习基础05——sklearn之逻辑回归+分类评价指标
文章目录逻辑回归逻辑回归的损失函数逻辑回归API 分类模型的评价指标混淆矩阵准确率召回率(较多被使用) 精确率 f1-score:精确率和召回率的调和平均数 AUC 逻辑回归逻辑回归是经 ...
数据挖掘—逻辑回归分类—信用卡欺诈分析
文章目录 1.分析目的: 2.掌握要点: 3.构建逻辑回归分类器 4.模型评估指标 5.精确度和召回率(不平衡数据衡量指标) 6.案例分析: 1.分析目的: 信用卡欺诈的危害性大,如何通过遗忘的交易数 ...
树模型与线性模型的区别决策树分类和逻辑回归分类的区别【总结】
树模型与线性模型的区别在于: (一)树模型 ①树模型产生可视化的分类规则,可以通过图表表达简单直观,逐个特征进行处理,更加接近人的决策方式 ②产生的模型可以抽取规则易于理解,即解释性比线性模型强. ...
java基础巩固-宇宙第一AiYWM：为了维持生计，编程语言番外篇之机器学习（项目预测模块总结：线性回归算法、逻辑回归分类算法）~整起
机器学习一.机器学习常见算法(未完待续...) 1.算法一:线性回归算法:找一条完美的直线,完美拟合所有的点,使得直线与点的误差最小 2.算法二:逻辑回归分类算法 3.算法三:贝叶斯分类算法 4.算 ...
编程实践-逻辑回归分类算法--马的疝气病症分类
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 逻辑回归分类 @dataset:马的疝气病症数据集Horse Col ...
逻辑回归分类鸢尾花和红酒等级
逻辑回归分类鸢尾花和红酒等级源代码以及训练数据和测试数据已上传:https://download.csdn.net/download/j__max/10816259 一.实验准备 1.实验内容和目的 ...
r语言的逻辑回归分类
iris 是r语言内置的数据集 head(iris) # 与python的不同iris.head() Sepal.Length Sepal.Width Petal.Length Petal.Width ...

葡萄酒逻辑回归分类（scala实现）

葡萄酒分类（scala实现）

葡萄酒逻辑回归分类（scala实现）相关推荐

最新文章

热门文章