DolphinDB实现了一系列常用的机器学习算法，例如最小二乘回归、随机森林、K-平均等，使用户能够方便地完成回归、分类、聚类等任务。这篇教程会通过具体的例子，介绍用DolphinDB脚本语言进行机器学习的流程。本文的所有例子都基于DolphinDB 1.10.11。
我们用UCI Machine Learning Repository上的wine数据，用来完成第一个随机森林分类模型的训练。
将数据下载到本地后，在DolphinDB中用loadText导入：
wineSchema = table(
`Label`Alcohol`MalicAcid`Ash`AlcalinityOfAsh`Magnesium`TotalPhenols`Flavanoids`NonflavanoidPhenols`Proanthocyanins`ColorIntensity`Hue`OD280_OD315`Proline as name,
`INT`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE as type
)
wine = loadText("D:/dataset/wine.data", schema=wineSchema)
DolphinDB的randomForestClassifier函数要求类的标签的取值是[0, classNum)之间的整数。下载得到的wine数据的分类标签为1, 2, 3，需要更新为0, 1, 2：
update wine set Label = Label - 1
将数据按7:3分为训练集和测试集。本例编写了一个trainTestSplit函数以便划分。
def trainTestSplit(x, testRatio) {
xSize = x.size()
testSize = xSize * testRatio
r = (0..(xSize-1)).shuffle()
return x[r > testSize], x[r <= testSize]
}
wineTrain, wineTest = trainTestSplit(wine, 0.3)
wineTrain.size() // 124
wineTest.size() // 54
对训练集调用randomForestClassifier函数进行随机森林分类。该函数有四个必选参数，分别是：
- ds: 输入的数据源，本例中用
sqlDS函数生成。 - yColName: 数据源中因变量的列名。
- xColNames: 数据源中自变量的列名。
- numClasses: 类的个数。
model = randomForestClassifier(
sqlDS(<select * from wineTrain>),
yColName=`Label,
xColNames=`Alcohol`MalicAcid`Ash`AlcalinityOfAsh`Magnesium`TotalPhenols`Flavanoids`NonflavanoidPhenols`Proanthocyanins`ColorIntensity`Hue`OD280_OD315`Proline,
numClasses=3
)
用训练得到的模型，对测试集进行预测：
predicted = model.predict(wineTest)
观察预测正确率：
> sum(predicted == wineTest.Label) \ wineTest.size();
0.925926
用saveModel函数将训练得到的模型保存到磁盘上：
model.saveModel("D:/model/wineModel.bin")
用loadModel函数加载磁盘上的模型，并用于预测：
model = loadModel("D:/model/wineModel.bin")
predicted = model.predict(wineTest)
上面的例子仅使用了小数据集作为示范。与常见的机器学习库不同，DolphinDB是为分布式环境而设计的，许多内置的机器学习算法对分布式环境有良好的支持。本章将介绍如何在DolphinDB分布式数据库上用逻辑回归算法完成分类模型的训练。
现有一个DolphinDB分布式数据库，按股票名分区，存储了各股票在2010年到2018年的每日OHLC数据。使用以下9个变量作为预测的指标：开盘价、最高价、最低价、收盘价、当天开盘价与前一天收盘价的差、当天开盘价与前一天开盘价的差、10天的移动平均值、相关系数、相对强弱指标（relative strength index, RSI）。
我们将用第二天的收盘价是否大于当天的收盘价作为预测的目标。
在本例中，原始数据中的空值，可以通过ffill函数填充；对原始数据求10天移动平均值和RSI后，结果的前10行将会是空值，需要去除。我们将用transDS!函数对原始数据应用预处理步骤。本例中，求RSI用到了DolphinDB的ta模块，具体用法参见DolphinDBModules.
use ta
def preprocess(t) {
ohlc = select ffill(Open) as Open, ffill(High) as High, ffill(Low) as Low, ffill(Close) as Close from t
update ohlc set OpenClose = Open - prev(Close), OpenOpen = Open - prev(Open), S_10 = mavg(Close, 10), RSI = ta::rsi(Close, 10), Target = iif(next(Close) > Close, 1, 0)
update ohlc set Corr = mcorr(Close, S_10, 10)
return ohlc[10:]
}
加载数据后，通过sqlDS生成数据源，并通过transDS!用预处理函数转化数据源：
ohlc = database("dfs://trades").loadTable("ohlc")
ds = sqlDS(<select * from ohlc>).transDS!(preprocess)
函数logisticRegression有三个必选参数：
- ds: 输入的数据源。
- yColName: 数据源中因变量的列名。
- xColNames: 数据源中自变量的列名。
上一节已经生成了输入的数据源，可以直接用作参数。
model = logisticRegression(ds, `Target, `Open`High`Low`Close`OpenClose`OpenOpen`S_10`RSI`Corr)
用训练的模型对一支股票的数据进行预测并计算分类准确率：
aapl = preprocess(select * from ohlc where Ticker = `AAPL)
predicted = model.predict(aapl)
score = sum(predicted == aapl.Target) \ aapl.size() // 0.756522
主成分分析（Principal Component Analysis, 简称PCA）是机器学习中的常用分析。如果数据的维度太高，学习算法的效率可能很低下，通过PCA，将高维数据映射到低维空间，同时尽可能最小化信息损失，可以解决维度过多的问题。PCA的另一个应用是数据可视化，二维或三维的数据能便于用户理解。
以对wine数据进行分类为例，输入的数据集有13个因变量，对数据源调用pca函数，观察各主成分的方差权重。将normalize参数设为true，以对数据进行归一化处理。
xColNames = `Alcohol`MalicAcid`Ash`AlcalinityOfAsh`Magnesium`TotalPhenols`Flavanoids`NonflavanoidPhenols`Proanthocyanins`ColorIntensity`Hue`OD280_OD315`Proline
pcaRes = pca(
sqlDS(<select * from wineTrain>),
colNames=xColNames,
normalize=true
)
返回值是一个字典，观察其中的explainedVarianceRatio，会发现压缩后的前三个维度的方差权重已经非常大，压缩为三个维度足够用于训练：
> pcaRes.explainedVarianceRatio;
[0.209316,0.201225,0.121788,0.088709,0.077805,0.075314,0.058028,0.045604,0.038463,0.031485,0.021256,0.018073,0.012934]
只保留前三个主成分：
components = pcaRes.components.transpose()[:3]
将主成分分析矩阵应用于输入的数据集，并调用randomForestClassifier进行训练。
def principalComponents(t, components, yColName, xColNames) {
res = matrix(t[xColNames]).dot(components).table()
res[yColName] = t[yColName]
return res
}
ds = sqlDS(<select * from wineTrain>)
ds.transDS!(principalComponents{, components, `Class, xColNames})
model = randomForestClassifier(ds, yColName=`Class, xColNames=`col0`col1`col2, numClasses=3)
对测试集进行预测时，也需要提取测试集的主成分：
model.predict(wineTest.principalComponents(components, `Class, xColNames))
DolphinDB提供了ols和olsEx函数进行最小二乘回归(线性回归)，一般在维度较低的数据上比较有效，维度比较大时会出现过拟合的现象。
Ridge,Lasso以及ElasticNet回归，是在最小二乘回归的基础上的改进，他们在不同的方面改进了这个问题。
Lasso在目标函数中加上L1正则，会使得部分学习到的特征权值为0，从而达到稀疏化和特征选择的目的。Ridge在目标函数中加上L2惩罚项，使得系数的绝对值变小。ElasticNet则是同时加上L1和L2惩罚项。
在DolphinDB中，这三个函数的接口分别是:
elasticNet(ds, yColName, xColNames, [alpha=1.0], [l1Ratio=0.5], [intercept=true], [normalize=false], [maxIter=1000], [tolerance=0.0001], [positive=false])
lasso(ds, yColName, xColNames, [alpha=1.0], [intercept=true], [normalize=false][maxIter=1000], [tolerance=0.0001], [positive=false])
ridge(ds, yColName, xColNames, [alpha=1.0], [intercept=true], [normalize=false], [maxIter=1000], [tolerance=0.0001], [solver='svd'])
三个函数的都有必选参数:
- ds: 数据源或者内存表
- yColName: 标签列的列名
- xColNames: 数据列的列名
lasso是elasticNet 在 l1Ratio = 1时的特例，用的是相同的实现方法，使用坐标下降法求参数。ridge使用的是解析解，solver可以是svd或者cholesky。
训练模型:
model = lasso(sqlDS(<select * from t>), `y, `x0`x1, alpha=0.5)
对测试集进行预测：
model.predict(t)
除了内置的经典机器学习算法，DolphinDB还提供了一些插件。利用这些插件，我们可以方便地用DolphinDB的脚本语言调用第三方库进行机器学习。本节将以DolphinDB XGBoost插件为例，介绍使用插件进行机器学习的方法。
从DolphinDB Plugin的GitHub页面下载已经编译好的XGBoost插件到本地。然后在DolphinDB中运行loadPlugin(pathToXgboost)，其中pathToXgboost是下载的PluginXgboost.txt的路径：
pathToXgboost = "C:/DolphinDB/plugin/xgboost/PluginXgboost.txt"
loadPlugin(pathToXgboost)
同样使用wine数据。XGBoost插件的训练函数xgboost::train的语法为xgboost::train(Y, X, [params], [numBoostRound=10], [xgbModel])，我们将训练数据wineTrain的Label列单独取出来作为输入的Y，将其他列保留作为输入的X：
Y = exec Label from wineTrain
X = select Alcohol, MalicAcid, Ash, AlcalinityOfAsh, Magnesium, TotalPhenols, Flavanoids, NonflavanoidPhenols, Proanthocyanins, ColorIntensity, Hue, OD280_OD315, Proline from wineTrain
训练前需要设置参数params字典。我们将训练一个多分类模型，故将params中的objective设为"multi:softmax"，将分类的类别数num_class设为3。其他常见的参数有：
- booster: 可以取"gbtree"或"gblinear"。gbtree采用基于树的模型进行提升计算，gblinear采用线性模型。
- eta: 步长收缩值。每一步提升，会按eta收缩特征的权重，以防止过拟合。取值范围是[0,1]，默认值是0.3。
- gamma: 最小的损失减少值，仅当分裂树节点产生的损失减小大于gamma时才会分裂。取值范围是[0,∞]，默认值是0。
- max_depth: 树的最大深度。取值范围是[0,∞]，默认值是6。
- subsample: 采样的比例。减少这个参数的值可以避免过拟合。取值范围是(0,1]，默认值是1。
- lambda: L2正则的惩罚系数。默认值是0。
- alpha: L1正则的惩罚系数。默认值是0。
- seed: 随机数种子。默认值是0。
其他参数参见XGBoost的官方文档。
在本例中，我们将设置objective, num_class, max_depth, eta, subsample这些参数：
params = {
objective: "multi:softmax",
num_class: 3,
max_depth: 5,
eta: 0.1,
subsample: 0.9
}
训练模型，预测并计算分类准确率：
model = xgboost::train(Y, X, params)
testX = select Alcohol, MalicAcid, Ash, AlcalinityOfAsh, Magnesium, TotalPhenols, Flavanoids, NonflavanoidPhenols, Proanthocyanins, ColorIntensity, Hue, OD280_OD315, Proline from wineTest
predicted = xgboost::predict(model, testX)
sum(predicted == wineTest.Label) \ wineTest.size() // 0.962963
同样，可以将模型持久化或加载已有模型：
xgboost::saveModel(model, "xgboost001.mdl")
model = xgboost::loadModel("xgboost001.mdl")
通过指定xgboost::train的xgbModel参数，对已有的模型进行增量训练：
model = xgboost::train(Y, X, params, , model)
| 函数名 | 类别 | 说明 | 是否支持分布式 |
|---|---|---|---|
| adaBoostClassifier | 分类 | AdaBoost分类 | 支持 |
| adaBoostRegressor | 回归 | AdaBoost回归 | 支持 |
| elasticNet | 回归 | ElasticNet回归 | 不支持 |
| gaussianNB | 分类 | 高斯朴素贝叶斯 | 不支持 |
| glm | 分类/回归 | 广义线性模型 | 支持 |
| kmeans | 聚类 | K-均值 | 不支持 |
| knn | 分类 | K-近邻 | 不支持 |
| lasso | 回归 | Lasso回归 | 不支持 |
| logisticRegression | 分类 | 逻辑回归 | 支持 |
| multinomialNB | 分类 | 多项式朴素贝叶斯 | 不支持 |
| ols | 回归 | 最小二乘线性回归 | 不支持 |
| olsEx | 回归 | 最小二乘线性回归 | 支持 |
| pca | 降维 | 主成分分析 | 支持 |
| randomForestClassifier | 分类 | 随机森林分类 | 支持 |
| randomForestRegressor | 回归 | 随机森林回归 | 支持 |
| ridge | 回归 | Ridge回归 | 支持 |
| 函数名 | 说明 |
|---|---|
| loadModel | 加载模型 |
| saveModel | 保存模型 |
| predict | 使用模型预测 |
| 插件名 | 类别 | 说明 |
|---|---|---|
| XGBoost | 分类/回归 | 基于XGBoost的梯度提升 |
| svm | 分类/回归 | 基于libsvm的支持向量机 |