未经许可，禁止以任何形式转载，若要引用，请标注链接地址
全文共计3832字，阅读大概需要3分钟
一、业务场景
受某咨询公司委托，拟根据泰坦尼克号乘客信息数据，来预测乘客在遇到海难时的幸存结果。经过分析，这是一个二元分类问题，因此决定使用逻辑回归算法进行预测分析。
二、数据集说明
本案例所使用的数据集，以CSV格式提供，有两个文件：train.csv和test.csv。其中train.csv文件包含label列。
数据集路径：/data/dataset/ml/titanic/
三、操作步骤
阶段一、启动HDFS、Spark集群服务和zeppelin服务器
1、启动HDFS集群
在Linux终端窗口下，输入以下命令，启动HDFS集群：
1. $ start-dfs.sh
2、启动Spark集群
在Linux终端窗口下，输入以下命令，启动Spark集群：
1. $ cd /opt/spark 2. $ ./sbin/start-all.sh
3、启动zeppelin服务器
在Linux终端窗口下，输入以下命令，启动zeppelin服务器：
1. $ zeppelin-daemon.sh start
4、验证以上进程是否已启动
在Linux终端窗口下，输入以下命令，查看启动的服务进程：
1. $ jps
如果显示以下6个进程，则说明各项服务启动正常，可以继续下一阶段。
2288 NameNode 2402 DataNode 2603 SecondaryNameNode 2769 Master 2891 Worker 2984 ZeppelinServer
阶段二、准备案例中用到的数据集
1、将本案例要用到的数据集上传到HDFS文件系统的/data/dataset/ml/目录下。在Linux终端窗口下，输入以下命令：
1. $ hdfs dfs -mkdir -p /data/dataset/ml 2. $ hdfs dfs -put /data/dataset/ml/titanic /data/dataset/ml/
2、在Linux终端窗口下，输入以下命令，查看HDFS上是否已经上传了该数据集：
1. $ hdfs dfs -ls /data/dataset/ml/
这时应该看到titanic文件夹及其中的数据集已经上传到了HDFS的/data/datset/ml/目录下。
阶段三、对数据集进行探索和分析
1、新建一个zeppelin notebook文件，并命名为titanic_project。
2、读取数据源。在notebook单元格中，输入以下代码：
1. // 使用Logistic回归算法预测Titanic乘客的存活率 2. import org.apache.spark.ml.Pipeline 3. import org.apache.spark.ml.feature.{VectorAssembler,StringIndexer} 4. import org.apache.spark.ml.classification.LogisticRegression 5. import org.apache.spark.ml.evaluation.BinaryClassificationEvaluator 6. 7. // 加载数据 8. val file = "hdfs://localhost:9000/data/dataset/ml/titanic/train.csv" 9. val titanic_data = spark.read.option("header", "true").option("inferSchema","true").csv(file) 10. 11. println("乘客共有" + titanic_data.count() + "位") 12. titanic_data.show(5,false)
同时按下”【Shift+Enter】”键，执行以上代码，输出内容如下：
3、探索模式schema。在notebook单元格中，输入以下代码：
1. titanic_data.printSchema
同时按下”【Shift+Enter】”键，执行以上代码，输出内容如下：
4、选择特征列。所提供的数据本身包含许多特征，不过我们只使用age、gender和ticket_class这三个属性作为特征。在notebook单元格中，输入以下代码:
1. val titanic_data1 = titanic_data.select('Survived.as("label"), 'Pclass.as("ticket_class"), 2. 'Sex.as("gender"), 'Age.as("age")).filter('age.isNotNull)
同时按下”【Shift+Enter】”，执行以上代码。
5、将数据集拆分成训练集（80%）和测试集（20%）。在notebook单元格中，输入以下代码:
1. // 将数据分成训练集（80%）和测试集（20%） 2. val Array(training, test) = titanic_data1.randomSplit(Array(0.8, 0.2)) 3. 4. println(s"training count: ${training.count}, test count: ${test.count}")
同时按下”【Shift+Enter】”，执行以上代码，输出内容如下：
6、组建管道。在notebook单元格中，输入以下代码:
1. // estimator（数据转换算法的estimator）: 将gender字符串转换为数值 2. val genderIndxr = new StringIndexer().setInputCol("gender").setOutputCol("genderIdx") 3. 4. // transfomer: 将这些特征组合成一个特征向量 5. val assembler = new VectorAssembler().setInputCols(Array("ticket_class","genderIdx", "age")) 6. .setOutputCol("features") 7. 8. // estimator（机器学习算法的estimator）family值："auto"、"binomial"、"multinomial" 9. val logisticRegression = new LogisticRegression().setFamily("binomial") 10. 11. // 设置三个阶段的管道 12. val pipeline = new Pipeline().setStages(Array(genderIndxr, assembler, logisticRegression))
同时按下”【Shift+Enter】”，执行以上代码。
7、拟合数据，训练模型。在notebook单元格中，输入以下代码:
1. val model = pipeline.fit(training)
同时按下”【Shift+Enter】”，执行以上代码。
8、使用训练出来的模型，对测试数据集进行预测。在notebook单元格中，输入以下代码:
1. // 执行预测 2. val predictions = model.transform(test) 3. predictions.show(5,false)
同时按下【Shift+Enter】，执行以上代码，输出内容如下：
由以上输出内容可以看出，最后一列”prediction”即为预测结果列。
9、执行模型性能的评估，默认的度量标准是ROC下面的面积。在notebook单元格中，输入以下代码:
1. val evaluator = new BinaryClassificationEvaluator() 2. evaluator.evaluate(predictions)
同时按下【Shift+Enter】，执行以上代码，输出内容如下：
注：每个人每次运行的结果可能不同，因为数据集是随机拆分的。
BinaryClassificationEvaluator产生的度量值为0.86，对于只使用了三个特征，这算是一个很好的性能了。
— END —
