Spark mllib API- feature

spark 中大部分的向量转换采用训练（fit）-转化（transform）形式，因此会有对应的训练类和模型类。
该模块主要包括了，标准化、归一化、分词、特征选择

##pyspark.mllib.feature.Normalizer(p=2.0)
使用 Lp 范式对样本进行归一化。
若 1<=p<float('inf')，使用 sum(abs(vector)^p)^(1/p)范式。
若 p=float('inf')，使用 max(abs(vector))范式。

• transform(vector)
  • 参数：vector - 需要正则化的 RDD
  • 返回： 正则化的向量 RDD

##pyspark.mllib.feature.StandardScaler(withMean=False, withStd=True)
使用训练集的列统计信息，通过修改均值和范围进行标准化

• fit(dataset):StandardScalerModel
  计算均值和方差，并以模型保存，以便后续使用。相当于训练模型。

pyspark.mllib.feature.StandardScalerModel(java_model)

表示可以把特征转化为正态分布的 StandardScaler 模型

• setWithMean(withMean)
  参数为 boolean，决定是否使用均值
• setWithStd(withStd)
  参数为 boolean，决定是否使用 std
• transform(vector)
  对特征进行标准变换

##pyspark.mllib.feature.HashingTF(numFeatures=1048576)
使用 hash 建立起 项-频度 映射。

• numFeatures：向量维度
• indexOf(term)：返回指定项的索引
• transform(document)：将输入转化为项-频度向量

##pyspark.mllib.feature.IDF(minDocFreq=0)
IDF 为逆向文件频率，公式如下：

idf = log((m + 1) / (d(t) + 1))

其中 m 为文件总数，d(t)为出现项 t 的文件数。

• 参数：minDocFreq
  通过 minDocFreq 参数，可以利用 IDF 过滤掉一些在文档中出现次数过少的词。若设置为 0，则返回 TF-IDF
• 方法：fit(dataset)
  计算数据集的 IDF

##pyspark.mllib.feature.IDFModel(java_model)
IDF 模型

• IDF()：返回当前 IDF 向量
• transform(x)：将 TF 向量转化为 TF-IDF 向量

##pyspark.mllib.feature.Word2Vec

Word2Vec 创建了一个表示语料库中词语的的向量。算法首先从语料库中创建一个词汇表，然后创建对应到词汇表中单词的向量。在自然语言处理和机器学习算法中，该向量可以直接使用。

我们使用 skip-gram 模型实现，并且使用分层 softmax 方法来训练模型。

• fit(data):使用 data 进行训练，计算向量
• setLearningRate(learningRate)：设置初始学习率
• setMinCount(minCount)：设置最少出现的 token 次数，默认 5
• setNumIterations(numIterations)：设置迭代次数，默认 1
• setNumPartitions(numPartitions)：设置分区个数，默认 1
• setSeed(seed)：设置随机种子
• setVectorSize(vectorSize)：设置向量维度，默认 100

##pyspark.mllib.feature.Word2VecModel(java_model)
Word2Vec fit 得到的模型

• findSynonyms(word, num)：找到指定 word 的 num 个同义词
• getVectors()：返回代表向量的单词表
• transform(word)：将单词转化为向量

pyspark.mllib.feature.ChiSqSelector(numTopFeatures)

创建一个卡方向量选择器，用于特征选择

• 参数：numTopFeatures 保留的卡方较大的特征的数量。
• fit(data)：对 LabeledPoint 格式的 RDD 进行训练，返回 ChiSqSelectorModel，这个类将输入数据转化到降维的特征空间。

##pyspark.mllib.feature.ChiSqSelectorModel(java_model)
由 ChiSqSelector 训练得到的模型

• transform(vector)，对 RDD 进行转换，转化到降维的特征空间。

##pyspark.mllib.feature.ElementwiseProduct(scalingVector)
使用输入的 scalingVector 作为每一列的权值，对每一列进行扩展。

• transform(vector)：对向量进行 Hadamard 卷积。