大数据课程K12——Spark的MLlib概述

文章作者邮箱：[e-mail]              地址：广东惠州

 ▲ 本章节目的

⚪ 了解Spark的MLlib概念；

⚪ 掌握Spark的MLlib基本数据模型；

⚪ 掌握Spark的MLlib统计量基础；

一、Spark MLlib介绍

1. 概述

MLlib是Apache Spark的可迭代机器学习库。

2. 易于使用

适用于Java、Scala、Python和R语言。

MLlib适用于Spark的API，并与Python中的NumPy（从Spark 0.9开始）和R库（从Spark 1.5开始）互操作。 您可以使用任何Hadoop数据源（例如HDFS，HBase或本地文件），从而轻松插入Hadoop工作流程。

案例：

// 通过Python调用MLib

data = spark.read.format("libsvm").load("hdfs://...")

model = KMeans(k=10).fit(data)

3. 执行高效

高质量的算法，比 MapReduce 快100倍。

Spark擅长迭代计算，使MLlib能够快速运行。 同时，我们关注算法性能：MLlib包含利用迭代的高质量算法，并且可以产生比MapReduce上有时使用的一次通过近似更好的结果。Hadoop 和 Spark的数据模型，如下图所示。

 4. 易于部署

Spark运行在Hadoop，Apache Mesos，Kubernetes，standalone或云端，针对不同的数据源。

您可以使用其独立群集模式，EC2，Hadoop YARN，Mesos或Kubernetes运行Spark。 访问HDFS，Apache Cassandra，Apache HBase，Apache Hive和数百个其他数据源中的数据。

5. 算法

MLlib包含许多算法和实用程序。

ML算法包括：

1. 分类：逻辑回归，朴素贝叶斯，......。

2. 回归：广义线性回归，生存回归，......。

3. 决策树，随机森林和梯度提升树。

4. 建议：交替最小二乘法（ALS）。

5. 聚类：K均值，高斯混合（GMM），......。

6. 主题建模：潜在Dirichlet分配（LDA）。

7. 频繁项目集，关联规则和顺序模式挖掘。

ML工作流程工具包括：

1. 特征转换：标准化，规范化，散列，......。

2. ML Pipeline construction。

3. 模型评估和超级参数调整。

4. ML持久性：保存和加载模型和Pipelines。

其他工具包括：

分布式线性代数：SVD，PCA，......。

统计：汇总统计，假设检验，......。

6. 总结

MLlib是一个构建在Spark上的、专门针对大数据处理的并发式高速机器学习库，其特点是采用较为先进的迭代式、内存存储的分析计算，使得数据的计算处理速度大大高于普通的数据处理引擎。

MLlib机器学习库还在不停地更新中，Apache的相关研究人员仍在不停地为其中添加更多的机器学习算法。目前MLlib中已经有通用的学习算法和工具类，包括统计、分类、回归、聚类、降维等。

MLlib采用Scala语言编写，Scala语言是运行在JVM上的一种函数式编程语言，特点就是可移植性强，“一次编写，到处运行”是其最重要的特点。借助于RDD数据统一输入格式，让用户可以在不同的IDE上编写数据处理程序，通过本地化测试后可以在略微修改运行参数后直接在集群上运行。对结果的获取更为可视化和直观，不会因为运行系统底层的不同而造成结果的差异与改变。

二、MLlib基本数据模型

1. 概述

RDD是MLlib专用的数据格式，它参考了Scala函数式编程思想，并大胆引入统计分析概念，将存储数据转化成向量和矩阵的形式进行存储和计算，这样将数据定量化表示，能更准确地整理和分析结果。

多种数据类型

MLlib先天就支持较多的数据格式，从最基本的Spark数据集RDD到部署在集群中的向量和矩阵。同样，MLlib还支持部署在本地计算机中的本地化格式。

下表给出了MLlib支持的数据类型。

类型名称	释义
Local vector	本地向量集。主要向Spark提供一组可进行操作的数据集合
Labeled point	向量标签。让用户能够分类不同的数据集合
Local matrix	本地矩阵。将数据结合以矩阵形式存储在本地计算机中
Distributed matrix	分布式矩阵。将矩阵集合以矩阵形式存储在分布式计算机中

以上就是MLlib支持的数据类型，其中分布式矩阵根据不同的作用和应用场景，又分为四种不同的类型。

2. 本地向量

MLlib使用的本地化存储类型是向量，这里的向量主要由两类构成：稀疏型数据集（spares）和密集型数据集（dense）。例如一个向量数据(9,5,2,7)，按密集型数据格式可以被设定成(9,5,2,7)进行存储，数据集被作为一个集合的形式整体存储。而对于稀疏型数据，可以按向量的大小存储为(4, Array(0,1,2,3), Array(9,5,2,7))。

案例一：

import org.apache.spark.{SparkConf,SparkContext}

def main(args:Array[String]):Unit={

//--建立密集型向量

//--dense可以将其理解为MLlib专用的一种集合形式，它与Array类似

val vd=Vectors.dense(2,0,6)//

println(vd)

//①参:size。spare方法是将给定的数据Array数据(9,5,2,7)分解成指定的size个部分进行处理，本例中是7个

//③参:输入数据。本例中是Array（9,5,2,7)

//②参:输入数据对应的下标，要求递增，并且最大值要小于等于size

val vs=Vectors.sparse(7,Array(0,1,3,6),Array(9,5,2,7))

println(vs(6))

}

}