14.sparkmllib之快速入門

簡(jiǎn)介

??MLlib是Spark提供提供機(jī)器學(xué)習(xí)的庫(kù)，專為在集群上并行運(yùn)行的情況而設(shè)計(jì)。
MLlib包含很多機(jī)器學(xué)習(xí)算法，可在Spark支持的所有編程語(yǔ)言中使用。

成都創(chuàng)新互聯(lián)是一家專業(yè)提供饒平企業(yè)網(wǎng)站建設(shè),專注與成都網(wǎng)站制作、做網(wǎng)站、H5開發(fā)、小程序制作等業(yè)務(wù)。10年已為饒平眾多企業(yè)、政府機(jī)構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)絡(luò)公司優(yōu)惠進(jìn)行中。

??MLlib設(shè)計(jì)理念是將數(shù)據(jù)以RDD的形式表示，然后在分布式數(shù)據(jù)集上調(diào)用各種算法。其實(shí)，MLlib就是RDD上一系列可供調(diào)用的函數(shù)的集合。

數(shù)據(jù)類型

??MLlib包含一些特有的數(shù)據(jù)類型，位于org.apache.spark.mllib包（Java/Scala）或pyspark.mllib（Python）中。主要的幾個(gè)類有：

  • Vector

    • 一個(gè)本地向量（Local Vector）。索引是從0開始的，并且是整型。而值為 Double 類型，存儲(chǔ)于單個(gè)機(jī)器內(nèi)。

    • MLlib既支持稠密向量也支持稀疏向量，前者表示向量的每一位都存儲(chǔ)，后者只存儲(chǔ)非零位以節(jié)約空間。

    • 向量可以通過(guò)mllib.linalg.Vectors類創(chuàng)建

    • scala
    //創(chuàng)建稠密向量
scala> val denseVec1 = Vectors.dense(1.0,2.0,3.0)
denseVec1: org.apache.spark.mllib.linalg.Vector = [1.0,2.0,3.0]

scala> val denseVec2 = Vectors.dense(Array(1.0,2.0,3.0))
denseVec2: org.apache.spark.mllib.linalg.Vector = [1.0,2.0,3.0]

//創(chuàng)建稀疏向量
scala> val sparseVec1 = Vectors.sparse(4,Array(0,2),Array(1.0,2.0))
sparseVec1: org.apache.spark.mllib.linalg.Vector = (4,[0,2],[1.0,2.0])
    • python
    >>> from pyspark.mllib.linalg import Vectors
>>> den = Vectors.dense([1.0,2.0,3.0])
>>> den
DenseVector([1.0, 2.0, 3.0])
>>> spa = Vectors.sparse(4,[0,2],[1.0,2.0])
>>> spa
SparseVector(4, {0: 1.0, 2: 2.0})

  • LabeledPoint

    • 在分類和回歸之類的監(jiān)督式學(xué)習(xí)（supervised learning）算法中使用。

    • LabeledPoint表示帶標(biāo)簽的數(shù)據(jù)點(diǎn)，包括一個(gè)特征向量與一個(gè)標(biāo)簽（由一個(gè)浮點(diǎn)數(shù)表示）。

    • 位于mllib.regression包中

    • scala
    // 首先需要引入標(biāo)簽點(diǎn)相關(guān)的類
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint

// 創(chuàng)建一個(gè)帶有正面標(biāo)簽和稠密特征向量的標(biāo)簽點(diǎn)。
val pos = LabeledPoint(1.0, Vectors.dense(1.0, 0.0, 3.0))

// 創(chuàng)建一個(gè)帶有負(fù)面標(biāo)簽和稀疏特征向量的標(biāo)簽點(diǎn)。
val neg = LabeledPoint(0.0, Vectors.sparse(3, Array(0, 2), Array(1.0, 3.0)))
    • python
    >>> from pyspark.mllib.regression import LabeledPoint
>>> from pyspark.mllib.linalg import Vectors
>>> pos = LabeledPoint(1.0,Vectors.dense([1.0,2.0,3.0]))
>>> neg = LabeledPoint(0.0,Vectors.dense([1.0,2.0,3.0]))

  • Matrix

    • 矩陣分為稠密矩陣和稀疏矩陣

    • 稠密矩陣的實(shí)體值以列為主要次序的形式，存放于單個(gè) Double 型數(shù)組內(nèi)。系數(shù)矩陣的非零實(shí)體以列為主要次序的形式，存放于壓縮稀疏列（Compressed Sparse Column, CSC）中。例如，下面這個(gè)稠密矩陣就是存放在一維數(shù)組 [1.0, 3.0, 5.0, 2.0, 4.0, 6.0] 中，矩陣的大小為 (3, 2) 。

    • 本地矩陣的基類是 Matrix 類，在 Spark 中有其兩種實(shí)現(xiàn)，分別是 DenseMatrix 和 SparseMatrix 。官方文檔中推薦使用 已在 Matrices 類中實(shí)現(xiàn)的工廠方法來(lái)創(chuàng)建本地矩陣。需要注意的是，MLlib 中的本地矩陣是列主序的（column-major）

    • 稠密矩陣

      import org.apache.spark.mllib.linalg.{Matrix, Matrices}
// 創(chuàng)建稠密矩陣 ((1.0, 2.0), (3.0, 4.0), (5.0, 6.0))
val dm: Matrix = Matrices.dense(3, 2, Array(1.0, 3.0, 5.0, 2.0, 4.0, 6.0))
    • 稀疏矩陣 
      scala> val sparseMatrix= Matrices.sparse(3, 3, Array(0, 2, 3, 6), Array(0, 2, 1, 0, 1, 2), Array(1.0, 2.0, 3.0,4.0,5.0,6.0))
sparseMatrix: org.apache.spark.mllib.linalg.Matrix = 
3 x 3 CSCMatrix
(0,0) 1.0
(2,0) 2.0
(1,1) 3.0
(0,2) 4.0
(1,2) 5.0
(2,2) 6.0

  • Rating

    • 用于產(chǎn)品推薦

    • 表示用戶對(duì)一個(gè)產(chǎn)品的評(píng)分

    • 位于mllib.recommendation包中

  • 各種Model類（模型）

    • 每個(gè)Model都是訓(xùn)練算法的結(jié)果

    • 模型一般都有一個(gè)predict()方法，使用該模型對(duì)新的數(shù)據(jù)點(diǎn)或數(shù)據(jù)點(diǎn)組成的RDD進(jìn)行預(yù)測(cè)。

統(tǒng)計(jì)

??不論是在即時(shí)的探索中，還是在機(jī)器學(xué)習(xí)的數(shù)據(jù)理解中，基本的統(tǒng)計(jì)都是數(shù)據(jù)分析的重要部分。MLlib 通過(guò)mllib.stat.Statistics 類中的方法提供了幾種廣泛使用的統(tǒng)計(jì)函數(shù)，這些函數(shù)可以直接在RDD 上使用。一些常用的函數(shù)如下所列。

Statistics.colStats(rdd)

??計(jì)算由向量組成的RDD 的匯總統(tǒng)計(jì)，保存著向量集合中每列的最小值、最大值、平均值和方差。這可以用來(lái)在一次執(zhí)行中獲取豐富的統(tǒng)計(jì)信息。

Statistics.corr(rdd, method)

?&esmp;計(jì)算由向量組成的RDD 中的列間的相關(guān)矩陣，使用皮爾森相關(guān)（Pearson correlation）或斯皮爾曼相關(guān)（Spearman correlation）中的一種（method 必須是pearson 或spearman中的一個(gè)）。

Statistics.corr(rdd1, rdd2, method)

??計(jì)算兩個(gè)由浮點(diǎn)值組成的RDD 的相關(guān)矩陣，使用皮爾森相關(guān)或斯皮爾曼相關(guān)中的一種（method 必須是pearson 或spearman 中的一個(gè)）。

Statistics.chiSqTest(rdd)

??計(jì)算由LabeledPoint 對(duì)象組成的RDD 中每個(gè)特征與標(biāo)簽的皮爾森獨(dú)立性測(cè)試
（Pearson’s independence test） 結(jié)果。返回一個(gè)ChiSqTestResult 對(duì)象， 其中有p 值、（p-value）、測(cè)試統(tǒng)計(jì)及每個(gè)特征的自由度。標(biāo)簽和特征值必須是分類的（即離散值）。

??下面舉個(gè)例子：使用三個(gè)學(xué)生的成績(jī)Vector來(lái)構(gòu)建所需的RDD Vector，這個(gè)矩陣?yán)锏拿總€(gè)Vector都代表一個(gè)學(xué)生在四門課程里的分?jǐn)?shù)：

python

from pyspark.mllib.stat import Statistics
from pyspark.mllib.linalg import Vectors
//構(gòu)建RDD
basicTestRDD = sc.parallelize([Vectors.dense([60, 70, 80, 0]),
                       Vectors.dense([80, 50, 0,  90]),
                       Vectors.dense([60, 70, 80,  0])])

//查看summary里的成員，這個(gè)對(duì)象中包含了大量的統(tǒng)計(jì)內(nèi)容
>>> print summary.mean()
[ 66.66666667  63.33333333  53.33333333  30.        ]
>>> print summary.variance()
[  133.33333333   133.33333333  2133.33333333  2700.        ]
>>> print summary.numNonzeros()
[ 3.  3.  2.  1.]

scala

import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.rdd.RDD

val array1: Array[Double] = Array[Double](60, 70, 80, 0)
val array2: Array[Double] = Array[Double](80, 50, 0, 90)
val array3: Array[Double] = Array[Double](60, 70, 80, 0)
val denseArray1 = Vectors.dense(array1)
val denseArray2 = Vectors.dense(array2)
val denseArray3 = Vectors.dense(array3)

val seqDenseArray: Seq[Vector] = Seq(denseArray1, denseArray2, denseArray3)

val basicTestRDD: RDD[Vector] = sc.parallelize[Vector](seqDenseArray)

val summary: MultivariateStatisticalSummary = Statistics.colStats(basicTestRDD)

算法

特征提取

  • TF-IDF(詞頻——逆文檔頻率)是用來(lái)從文本文檔（例如網(wǎng)頁(yè)）中生成特定向量的簡(jiǎn)單方法。
  • 縮放，大多數(shù)要考慮特征向量中各元素的幅值，并且在特征縮放調(diào)整為平等對(duì)待時(shí)表現(xiàn)最好。
  • 規(guī)化，在準(zhǔn)備輸入數(shù)據(jù)時(shí)，把向量正規(guī)化為長(zhǎng)度1。使用Normalizer類可以實(shí)現(xiàn)。
  • Word2Vec是一個(gè)基于神經(jīng)網(wǎng)絡(luò)的文本特征算法，可以用來(lái)將數(shù)據(jù)傳給許多下游算法。

降維

  • 主成分分析（PCA）

    • PCA會(huì)把特征映射到低位空間，讓數(shù)據(jù)在低維空間表示的方差最大化，從而忽略一些無(wú)用的維度。
    • 要計(jì)算這種映射，我們要構(gòu)建出正規(guī)化的相關(guān)矩陣，并使用這個(gè)矩陣的奇異向量和奇異值。
    • 最大的一部分奇異值相對(duì)應(yīng)的奇異向量可以用來(lái)重建原始數(shù)據(jù)的主要成分。
  • 奇異值分解
    • MLlib也提供底層的奇異值分解（簡(jiǎn)稱SVD）原語(yǔ)。

分類與回歸

  • 分類與回歸是監(jiān)督學(xué)習(xí)的兩種形式。
  • 監(jiān)督學(xué)習(xí)是指算法嘗試使用有標(biāo)簽的訓(xùn)練數(shù)據(jù)根據(jù)對(duì)象的特征預(yù)測(cè)結(jié)果。
  • 在分類中，預(yù)測(cè)出的變量是離散的。
  • 在回歸中，預(yù)測(cè)出的變量是連續(xù)的。
  • MLlib中包含許多分類與回歸算法：如簡(jiǎn)單的線性算法以及決策樹和森林算法。

聚類

  • 聚類算法是一種無(wú)監(jiān)督學(xué)習(xí)任務(wù)，用于將對(duì)象分到具有高度相似性的聚類中。
  • 聚類算法主要用于數(shù)據(jù)探索（查看一個(gè)新數(shù)據(jù)集是什么樣子）以及異常檢測(cè)（識(shí)別與任意聚類都相聚較遠(yuǎn)的點(diǎn)）。
  • MLlib中包含兩個(gè)聚類中流行的K-means算法，以及一個(gè)叫做K-means||的變種，可以提供為并行環(huán)境提供更好的初始化策略。

協(xié)同過(guò)濾與推薦

  • 協(xié)同過(guò)濾是一種根據(jù)用戶對(duì)各種產(chǎn)品的交互與評(píng)分來(lái)推薦新產(chǎn)品的推薦系統(tǒng)技術(shù)。
  • 交替最小二乘（ALS），會(huì)為每個(gè)用戶和產(chǎn)品都設(shè)一個(gè)特征向量，這樣用戶向量和產(chǎn)品向量的點(diǎn)積就接近于他們的得分。

實(shí)例

使用邏輯回歸算法實(shí)現(xiàn)垃圾郵件分類處理

def testLogisticRegressionWithSGD = {
    val spam = sc.textFile("src/main/resources/mllib/spam.txt", 1)
    val normal = sc.textFile("src/main/resources/mllib/normal.txt", 1)

    //創(chuàng)建一個(gè)HashingTF實(shí)例來(lái)把郵件文本映射為包含一個(gè)10000個(gè)特征的向量
    val tf = new HashingTF(numFeatures = 10000)
    //各郵件都被切分為單詞，每個(gè)單詞被映射為一個(gè)特征
    val spamFeatures = spam.map { email => tf.transform(email.split(" ")) }
    val normalFeatures = normal.map { email => tf.transform(email.split(" ")) }

    //創(chuàng)建LabeledPoint數(shù)據(jù)集分別存放陽(yáng)性(垃圾郵件)和陰性(正常郵件)的例子
    val positiveExamples = spamFeatures.map { features => LabeledPoint(1, features) }
    val negativeExamples = normalFeatures.map { features => LabeledPoint(0, features) }
    val trainingData = positiveExamples.union(negativeExamples)
    trainingData.cache()
    println(trainingData.toDebugString)

    //使用SGD算法運(yùn)行邏輯回歸
    val model = new LogisticRegressionWithSGD().run(trainingData)
    //以陽(yáng)性(垃圾郵件)和陰性(正常郵件)的例子分別進(jìn)行測(cè)試
    val posTest = tf.transform("O M G get cheap stuff by sending money to .".split(" "))
    val negTest = tf.transform("hello, i started studying Spark ".split(" "))
    println(s"prediction for positive tset example: ${model.predict(posTest)}")
    println(s"prediction for negitive tset example: ${model.predict(negTest)}")

    Thread.sleep(Int.MaxValue)
  }

svm分類算法

# 加載模塊
from pyspark.mllib.util import MLUtils
from pyspark.mllib.classification import SVMWithSGD

# 讀取數(shù)據(jù)
dataFile = '/opt/spark-1.6.1-bin-hadoop2.6/data/mllib/sample_libsvm_data.txt'
data = MLUtils.loadLibSVMFile(sc, dataFile)

splits = data.randomSplit([0.8, 0.2], seed = 9L)
training = splits[0].cache()
test = splits[1]

# 打印分割后的數(shù)據(jù)量
print "TrainingCount:[%d]" % training.count();
print "TestingCount:[%d]" % test.count();

model = SVMWithSGD.train(training, 100)

scoreAndLabels = test.map(lambda point : (model.predict(point.features), point.label))

#輸出結(jié)果，包含預(yù)測(cè)的數(shù)字結(jié)果和0/1結(jié)果：
for score, label in scoreAndLabels.collect():
    print score, label

k-means聚類算法

# 讀取數(shù)據(jù)文件，創(chuàng)建RDD
dataFile = "/opt/spark-1.6.1-bin-hadoop2.6/data/mllib/kmeans_data.txt"
lines = sc.textFile(dataFile)

# 創(chuàng)建Vector，將每行的數(shù)據(jù)用空格分隔后轉(zhuǎn)成浮點(diǎn)值返回numpy的array
data = lines.map(lambda line: np.array([float(x) for x in line.split(' ')]))

# 其中2是簇的個(gè)數(shù)
model = KMeans.train(data, 2)

print("Final centers: " + str(model.clusterCenters))
print("Total Cost: " + str(model.computeCost(data)))

忠于技術(shù)，熱愛分享。歡迎關(guān)注公眾號(hào)：java大數(shù)據(jù)編程，了解更多技術(shù)內(nèi)容。

14.spark mllib之快速入門

網(wǎng)站題目：14.sparkmllib之快速入門
文章來(lái)源：http://muchs.cn/article46/pdhdeg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供靜態(tài)網(wǎng)站、外貿(mào)網(wǎng)站建設(shè)、域名注冊(cè)、網(wǎng)站建設(shè)、搜索引擎優(yōu)化、企業(yè)網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)

營(yíng)銷型網(wǎng)站建設(shè)