目录
聚类
聚类是机器学习中另一个重要的部分：在现实世界中，我们并不总是有目标特征的奢侈条件，因此我们需要回归到无监督学习的范式，在那里我们尝试在数据中发现模式。
在出生数据集中寻找簇
在这个例子中，我们将使用 k-means 模型在出生数据中寻找相似性：
import pyspark.ml.clustering as clus
kmeans = clus.KMeans(k = 5,
featuresCol='features')
pipeline = Pipeline(stages=[
assembler,
featuresCreator,
kmeans]
)
model = pipeline.fit(births_train)估计模型后，让我们看看我们是否能找到不同簇之间的一些差异：
test = model.transform(births_test)
test \
.groupBy('prediction') \
.agg({
'*': 'count',
'MOTHER_HEIGHT_IN': 'avg'
}).collect()前面的代码产生了以下输出：
嗯，MOTHER_HEIGHT_IN 在第 2 个簇中显著不同。仔细研究结果（这里我们显然不会这么做）可能会揭示更多的差异，并允许我们更好地理解数据。
主题挖掘
聚类模型不仅限于数值数据。在自然语言处理领域，像主题提取这样的问题依赖于聚类来检测具有相似主题的文档。我们将经历这样一个例子。
首先，让我们创建我们的数据集。数据由互联网上随机选择的段落组成：其中三个涉及自然和国家公园的主题，其余三个涵盖技术。
text_data = spark.createDataFrame([
['''To make a computer do anything, you have to write a
computer program. To write a computer program, you have
to tell the computer, step by step, exactly what you want
it to do. The computer then "executes" the program,
following each step mechanically, to accomplish the end
goal. When you are telling the computer what to do, you
also get to choose how it's going to do it. That's where
computer algorithms come in. The algorithm is the basic
technique used to get the job done. Let's follow an
example to help get an understanding of the algorithm
concept.'''],
(...),
['''Australia has over 500 national parks. Over 28
million hectares of land is designated as national
parkland, accounting for almost four per cent of
Australia's land areas. In addition, a further six per
cent of Australia is protected and includes state
forests, nature parks and conservation reserves.National
parks are usually large areas of land that are protected
because they have unspoilt landscapes and a diverse
number of native plants and animals. This means that
commercial activities such as farming are prohibited and
human activity is strictly monitored.''']
], ['documents'])首先，我们将再次使用 RegexTokenizer 和 StopWordsRemover 模型：
tokenizer = ft.RegexTokenizer(
inputCol='documents',
outputCol='input_arr',
pattern='\s+|[,.\"]')
stopwords = ft.StopWordsRemover(
inputCol=tokenizer.getOutputCol(),
outputCol='input_stop')接下来是我们管道中的 CountVectorizer：一个计算文档中单词数量并返回计数向量的模型。向量的长度等于所有文档中所有不同单词的总数，这可以在以下片段中看到：
stringIndexer = ft.CountVectorizer(
inputCol=stopwords.getOutputCol(),
outputCol="input_indexed")
tokenized = stopwords \
.transform(
tokenizer\
.transform(text_data)
)
stringIndexer \
.fit(tokenized)\
.transform(tokenized)\
.select('input_indexed')\
.take(2)前面的代码将产生以下输出：
如你所见，文本中有 262 个不同的单词，现在每个文档由每个单词出现次数的计数表示。
现在轮到开始预测主题了。为此，我们将使用 LDA 模型——潜在狄利克雷分配模型：
clustering = clus.LDA(k=2,
optimizer='online',
featuresCol=stringIndexer.getOutputCol())k 参数指定我们期望看到的主题数量，优化器参数可以是 'online' 或 'em'（后者代表期望最大化算法）。
将这些谜题拼凑在一起，到目前为止，这是我们最长的管道：
pipeline = ml.Pipeline(stages=[
tokenizer,
stopwords,
stringIndexer,
clustering]
)我们是否正确地发现了主题？嗯，让我们看看：
topics = pipeline \
.fit(text_data) \
.transform(text_data)
topics.select('topicDistribution').collect()这是我们得到的：
看起来我们的方法正确地发现了所有的主题！不过，不要习惯看到这么好的结果：遗憾的是，现实世界的数据很少是这样的。
回归
我们不能在没有构建回归模型的情况下结束机器学习库的一章。
在这一部分，我们将尝试预测 MOTHER_WEIGHT_GAIN，给定这里描述的一些特征；这些特征包含在这里列出的特征中：
features = ['MOTHER_AGE_YEARS','MOTHER_HEIGHT_IN',
'MOTHER_PRE_WEIGHT','DIABETES_PRE',
'DIABETES_GEST','HYP_TENS_PRE',
'HYP_TENS_GEST', 'PREV_BIRTH_PRETERM',
'CIG_BEFORE','CIG_1_TRI', 'CIG_2_TRI',
'CIG_3_TRI'
]首先，由于所有特征都是数值型的，我们将它们整合在一起，并使用 ChiSqSelector 仅选择最重要的六个特征：
featuresCreator = ft.VectorAssembler(
inputCols=[col for col in features[1:]],
outputCol='features'
)
selector = ft.ChiSqSelector(
numTopFeatures=6,
outputCol="selectedFeatures",
labelCol='MOTHER_WEIGHT_GAIN'
)为了预测体重增加，我们将使用梯度提升树回归器：
import pyspark.ml.regression as reg
regressor = reg.GBTRegressor(
maxIter=15,
maxDepth=3,
labelCol='MOTHER_WEIGHT_GAIN')最后，再次将所有内容整合到一个 Pipeline 中：
pipeline = Pipeline(stages=[
featuresCreator,
selector,
regressor])
weightGain = pipeline.fit(births_train)创建了 weightGain 模型后，让我们看看它在我们测试数据上的表现如何：
evaluator = ev.RegressionEvaluator(
predictionCol="prediction",
labelCol='MOTHER_WEIGHT_GAIN')
print(evaluator.evaluate(
weightGain.transform(births_test),
{evaluator.metricName: 'r2'}))我们得到以下输出：
遗憾的是，这个模型不比抛硬币的结果好。看来，如果没有与 MOTHER_WEIGHT_GAIN 标签更相关的额外独立特征，我们将无法充分解释其方差。