Alink漫谈(七) : 如何划分训练数据集和测试数据集
Alink漫谈(七) : 如何划分训练数据集和测试数据集
0x00 摘要
Alink 是阿里巴巴基于实时计算引擎 Flink 研发的新一代机器学习算法平台，是业界首个同时支持批式算法、流式算法的机器学习平台。本文将为大家展现Alink如何划分训练数据集和测试数据集。
0x01 训练数据集和测试数据集
两分法
一般做预测分析时，会将数据分为两大部分。一部分是训练数据，用于构建模型，一部分是测试数据，用于检验模型。
三分法
但有时候模型的构建过程中也需要检验模型/辅助模型构建，这时会将训练数据再分为两个部分：1）训练数据；2）验证数据（Validation Data）。所以这种情况下会把数据分为三部分。
- 训练数据（Train Data）：用于模型构建。
- 验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用。
- 测试数据（Test Data）：用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。
Training set是用来训练模型或确定模型参数的，如ANN中权值等；
Validation set是用来做模型选择（model selection），即做模型的最终优化及确定，如ANN的结构；
Test set则纯粹是为了测试已经训练好的模型的推广能力。当然test set并不能保证模型的正确性，他只是说相似的数据用此模型会得出相似的结果。
实际应用
实际应用中，一般只将数据集分成两类，即training set 和test set，大多数文章并不涉及validation set。我们这里也不涉及。大家常用的sklearn的train_test_split函数就是将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。
0x02 Alink示例代码
首先我们给出示例代码，然后会深入剖析：
public class SplitExample {
public static void main(String[] args) throws Exception {
String url = "iris.csv";
String schema = "sepal_length double, sepal_width double, petal_length double, petal_width double, category string";
//这里是批处理
BatchOperator data = new CsvSourceBatchOp().setFilePath(url).setSchemaStr(schema);
SplitBatchOp spliter = new SplitBatchOp().setFraction(0.8);
spliter.linkFrom(data);
BatchOperator trainData = spliter;
BatchOperator testData = spliter.getSideOutput(0);
// 这里是流处理
CsvSourceStreamOp dataS = new CsvSourceStreamOp().setFilePath(url).setSchemaStr(schema);
SplitStreamOp spliterS = new SplitStreamOp().setFraction(0.4);
spliterS.linkFrom(dataS);
StreamOperator train_data = spliterS;
StreamOperator test_data = spliterS.getSideOutput(0);
}
}0x03 批处理
SplitBatchOp是分割批处理的主要类，具体构建DAG的工作是在其linkFrom完成的。
总体思路比较简单：
- 假定有一个采样比例 fraction
- 将数据集分区，并行计算每个分区上的记录数
- 把每个分区上的记录数累积，得到所有记录总数 totCount
- 从上而下计算出一个采样总数：
numTarget = totCount * fraction - 因为具体选择元素是在每个分区上做的，所以在每个分区上，分别计算出来这个分区应该采样的记录数，比如第n个分区上应采样记录数：
task_n_count * fraction - 把这些分区 "应该采样的记录数" 累积，得出来从下而上计算出的采样总数：
totSelect = task_1_count * fraction + task_2_count * fraction + ... task_n_count * fraction - numTarget 和 totSelect 可能不相等，所以随机决定把多出来的
numTarget - totSelect加入到某一个task中。 - 在每个task上采样得到具体的记录。
3.1 得到记录数
如果要分割数据，首先必须知道数据集的记录数。比如这个DataSet的记录是1万个？还是十万个？因为数据集可能会很大，所以这一步操作也使用了并行处理，即把数据分区，然后通过mapPartition操作得到每一个分区上元素的数目。
DataSet<Tuple2<Integer, Long>> countsPerPartition = DataSetUtils.countElementsPerPartition(rows); //返回哪个task有哪些记录数
DataSet<long[]> numPickedPerPartition = countsPerPartition
.mapPartition(new CountInPartition(fraction)) //计算总数
.setParallelism(1)
.name("decide_count_of_each_partition");因为每个分区就对应了一个task，所以我们也可以认为，这是获取了每个task的记录数。
具体工作是在 DataSetUtils.countElementsPerPartition 中完成的。返回类型是<index of this subtask, record count in this subtask>，比如3号task拥有30个记录。
public static <T> DataSet<Tuple2<Integer, Long>> countElementsPerPartition(DataSet<T> input) {
return input.mapPartition(new RichMapPartitionFunction<T, Tuple2<Integer, Long>>() {
@Override
public void mapPartition(Iterable<T> values, Collector<Tuple2<Integer, Long>> out) throws Exception {
long counter = 0;
for (T value : values) {
counter++; //计算本task的记录总数
}
out.collect(new Tuple2<>(getRuntimeContext().getIndexOfThisSubtask(), counter));
}
});
}计算总数的工作其实是在下一阶段算子中完成的。
3.2 随机选取记录
接下来的工作主要是在 CountInPartition.mapPartition 完成的，其作用是随机决定每个task选择多少个记录。
这时候就不需要并行了，所以 .setParallelism(1)
3.2.1 得到总记录数
得到了每个分区记录数之后，我们遍历每个task的记录数，然后累积得到总记录数 totCount（就是从上而下计算出来的总数）。
public void mapPartition(Iterable<Tuple2<Integer, Long>> values, Collector<long[]> out) throws Exception {
long totCount = 0L;
List<Tuple2<Integer, Long>> buffer = new ArrayList<>();
for (Tuple2<Integer, Long> value : values) { //遍历输入的所有分区记录
totCount += value.f1; //f1是Long类型的记录数
buffer.add(value);
}
...
//后续代码在下面分析。
}3.2.2 决定每个task选择记录数
然后CountInPartition.mapPartition函数中会随机决定每个task会选择的记录数。mapPartition的参数 Iterable<Tuple2<Integer, Long>> values 就是前一阶段的结果 ：一个元祖<task id, 每个task的记录数目>。
把这些元祖结合在一起，记录在buffer这个列表中。
buffer = {} size = 4
0 = {} "(3,38)" // 3号task，其对应的partition记录数是38个。
1 = {} "(2,0)"
2 = {} "(0,38)"
3 = {} "(1,74)"系统的task数目就是buffer大小。
int npart = buffer.size(); // num tasks
然后，根据”记录总数“计算出来 “随机训练数据的个数numTarget”。比如总数1万，应该随机分配20%，于是numTarget就应该是2千。这个数字以后会用到。
long numTarget = Math.round((totCount * fraction));
得到每个task的记录数目，比如是上面buffer中的 38，0，38，还是74，记录在 eachCount 中。
for (Tuple2<Integer, Long> value : buffer) {
eachCount[value.f0] = value.f1;
}得到每个task中随机选中的训练记录数，记录在 eachSelect 中。就是每个task目前 “记录数字 * fraction”。比如3号task记录数是38个，应该选20%，则38*20%=8个。
然后把这些task自己的“随机训练记录数”再累加起来得到 totSelect（就是从下而上计算出来的总数）。
long totSelect = 0L;
for (int i = 0; i < npart; i++) {
eachSelect[i] = Math.round(Math.floor(eachCount[i] * fraction));
totSelect += eachSelect[i];
}请注意，这时候 totSelect 和 之前计算的numTarget就有具体细微出入了，就是理论上的一个数字，但是我们 从上而下 计算 和 从下而上 计算，其结果可能不一样。通过下面我们可以看出来。
numTarget = all count * fraction totSelect = task_1_count * fraction + task_2_count * fraction + ...
所以我们下一步要处理这个细微出入，就得到remain，这是"总体算出来的随机数目" numTarget 和 "从所有task选中的随机训练记录数累积" totSelect 的差。
if (totSelect < numTarget) {
long remain = numTarget - totSelect;
remain = Math.min(remain, totCount - totSelect);如果刚好个数相等，则就正常分配。
if (remain == totCount - totSelect) {如果数目不等，随机决定把"多出来的remain"加入到eachSelect数组中的随便一个记录上。
for (int i = 0; i < Math.min(remain, npart); i++) {
int taskId = shuffle.get(i);
while (eachSelect[taskId] >= eachCount[taskId]) {
taskId = (taskId + 1) % npart;
}
eachSelect[taskId]++;
}最后给出所有信息
long[] statistics = new long[npart * 2];
for (int i = 0; i < npart; i++) {
statistics[i] = eachCount[i];
statistics[i + npart] = eachSelect[i];
}
out.collect(statistics);
// 我们这里是4核，所以前面四项是eachCount，后面是eachSelect
statistics = {long[8]@9003}
0 = 38 //eachCount
1 = 38
2 = 36
3 = 38
4 = 31 //eachSelect
5 = 31
6 = 28
7 = 30这些信息是作为广播变量存储起来的，马上下面就会用到。
.withBroadcastSet(numPickedPerPartition, "counts")
3.2.3 每个task选择记录
CountInPartition.PickInPartition函数中会随机在每个task选择记录。
首先得到task数目 和 之前存储的广播变量（就是之前刚刚存储的）。
int npart = getRuntimeContext().getNumberOfParallelSubtasks();
List<long[]> bc = getRuntimeContext().getBroadcastVariable("counts");分离count和select。
long[] eachCount = Arrays.copyOfRange(bc.get(0), 0, npart); long[] eachSelect = Arrays.copyOfRange(bc.get(0), npart, npart * 2);
得到总task数目
int taskId = getRuntimeContext().getIndexOfThisSubtask();
得到自己 task 对应的 count, select
long count = eachCount[taskId]; long select = eachSelect[taskId];
添加本task对应的记录，随机洗牌打乱顺序
for (int i = 0; i < count; i++) {
shuffle.add(i); //就是把count内的数字加到数组
}
Collections.shuffle(shuffle, new Random(taskId)); //洗牌打乱顺序
// suffle举例
shuffle = {} size = 38
= {} 17
= {} 8
= {} 33
= {} 34
= {} 20
= {} 0
= {} 26
= {} 27
= {} 23
= {} 28
= {} 9
= {} 16
= {} 13
= {} 2
= {} 5
= {} 31
= {} 15
= {} 22
= {} 18
= {} 35
= {} 36
= {} 12
= {} 7
= {} 21
= {} 14
= {} 1
= {} 10
= {} 30
= {} 29
= {} 19
= {} 25
= {} 32
= {} 37
= {} 4
= {} 11
= {} 6
= {} 3
= {} 24随机选择，把选择后的再排序回来
for (int i = 0; i < select; i++) {
selected[i] = shuffle.get(i); //这时候select看起来是按照顺序选择，但是实际上suffle里面已经是乱序
}
Arrays.sort(selected); //这次再排序
// selected举例，一共30个
selected = {int[30]@8991}
= 0
= 1
= 2
= 5
= 7
= 8
= 9
= 10
= 12
= 13
= 14
= 15
= 16
= 17
= 18
= 19
= 20
= 21
= 22
= 23
= 26
= 27
= 28
= 29
= 30
= 31
= 33
= 34
= 35
= 36发送选择的数据
if (numEmits < selected.length && iRow == selected[numEmits]) {
out.collect(row);
numEmits++;
}3.3 设置训练数据集和测试数据集
output是训练数据集，SideOutput是测试数据集。因为这两个数据集在Alink内部都是Table类型，所以直接使用了SQL算子 minusAll 来完成分割。
this.setOutput(out, in.getSchema());
this.setSideOutputTables(new Table[]{in.getOutputTable().minusAll(this.getOutputTable())});0x04 流处理
训练是在SplitStreamOp类完成的，其通过linkFrom完成了模型的构建。
流处理依赖SplitStream 和 SelectTransformation 这两个类来完成分割流。具体并没有建立一个物理操作，而只是影响了上游算子如何与下游算子联系，如何选择记录。
SplitStream <Row> splited = in.getDataStream().split(new RandomSelectorOp(getFraction()));
首先，用RandomSelectorOp来随机决定输出时候选择哪个流。我们可以看到，这里就是随便起了"a"， "b" 这两个名字而已。
class RandomSelectorOp implements OutputSelector <Row> {
private double fraction;
private Random random = null;
@Override
public Iterable <String> select(Row value) {
if (null == random) {
random = new Random(System.currentTimeMillis());
}
List <String> output = new ArrayList <String>(1);
output.add((random.nextDouble() < fraction ? "a" : "b")); //随机选取数字分配，随意起的名字
return output;
}
}其次，得到那两个随机生成的流。
DataStream <Row> partA = splited.select("a");
DataStream <Row> partB = splited.select("b");最后把这两个流分别设置为output和sideOutput。
this.setOutput(partA, in.getSchema()); //训练集
this.setSideOutputTables(new Table[]{
DataStreamConversionUtil.toTable(getMLEnvironmentId(), partB, in.getSchema())}); //验证集最后返回本身，这时候SplitStreamOp拥有两个成员变量：
this.output就是训练集。
this.sideOutPut就是验证集。
return this;