14.spark mllib之快速入門

簡介

??MLlib是Spark提供提供機器學習的庫，專為在集群上并行運行的情況而設計。
MLlib包含很多機器學習算法，可在Spark支持的所有編程語言中使用。

??MLlib設計理念是將數(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，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。主要的幾個類有：

• Vector

  • 一個本地向量（Local Vector）。索引是從0開始的，并且是整型。而值為 Double 類型，存儲于單個機器內(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，后者只存儲非零位以節(jié)約空間。

  • 向量可以通過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)督式學習（supervised learning）算法中使用。

  • LabeledPoint表示帶標簽的數(shù)據(jù)點，包括一個特征向量與一個標簽（由一個浮點數(shù)表示）。

  • 位于mllib.regression包中

  • scala

  // 首先需要引入標簽點相關(guān)的類
  import org.apache.spark.mllib.linalg.Vectors
  import org.apache.spark.mllib.regression.LabeledPoint
  
  // 創(chuàng)建一個帶有正面標簽和稠密特征向量的標簽點。
  val pos = LabeledPoint(1.0, Vectors.dense(1.0, 0.0, 3.0))
  
  // 創(chuàng)建一個帶有負面標簽和稀疏特征向量的標簽點。
  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

  • 稠密矩陣的實體值以列為主要次序的形式，存放于單個 Double 型數(shù)組內(nèi)。系數(shù)矩陣的非零實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 中有其兩種實現(xiàn)，分別是 DenseMatrix 和 SparseMatrix 。官方文檔中推薦使用 已在 Matrices 類中實現(xiàn)的工廠方法來創(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

  • 表示用戶對一個產(chǎn)品的評分

  • 位于mllib.recommendation包中

• 各種Model類（模型）

  • 每個Model都是訓練算法的結(jié)果

  • 模型一般都有一個predict()方法，使用該模型對新的數(shù)據(jù)點或數(shù)據(jù)點組成的RDD進行預測。

統(tǒng)計

??不論是在即時的探索中，還是在機器學習的數(shù)據(jù)理解中，基本的統(tǒng)計都是數(shù)據(jù)分析的重要部分。MLlib 通過mllib.stat.Statistics 類中的方法提供了幾種廣泛使用的統(tǒng)計函數(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)

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

Statistics.corr(rdd, method)

?&esmp;計算由向量組成的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）。

Statistics.corr(rdd1, rdd2, method)

??計算兩個由浮點值組成的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）。

Statistics.chiSqTest(rdd)

??計算由LabeledPoint 對象組成的RDD 中每個特征與標簽的皮爾森獨立性測試
（Pearson’s independence test） 結(jié)果。返回一個ChiSqTestResult 對象， 其中有p 值、（p-value）、測試統(tǒng)計及每個特征的自由度。標簽和特征值必須是分類的（即離散值）。

??下面舉個例子：使用三個學生的成績Vector來構(gòu)建所需的RDD Vector，這個矩陣里的每個Vector都代表一個學生在四門課程里的分數(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，這個對象中包含了大量的統(tǒng)計內(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)是用來從文本文檔（例如網(wǎng)頁）中生成特定向量的簡單方法。
• 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)整為平等對待時表現(xiàn)最好。
• 規(guī)化，在準備輸入數(shù)據(jù)時，把向量正規(guī)化為長度1。使用Normalizer類可以實現(xiàn)。
• Word2Vec是一個基于神經(jīng)網(wǎng)絡的文本特征算法，可以用來將數(shù)據(jù)傳給許多下游算法。

降維

• 主成分分析（PCA）

  • PCA會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，從而忽略一些無用的維度。
  • 要計算這種映射，我們要構(gòu)建出正規(guī)化的相關(guān)矩陣，并使用這個矩陣的奇異向量和奇異值。
  • 最大的一部分奇異值相對應的奇異向量可以用來重建原始數(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（簡稱SVD）原語。

分類與回歸

• 分類與回歸是監(jiān)督學習的兩種形式。
• 監(jiān)督學習是指算法嘗試使用有標簽的訓練數(shù)據(jù)根據(jù)對象的特征預測結(jié)果。
• 在分類中，預測出的變量是離散的。
• 在回歸中，預測出的變量是連續(xù)的。
• MLlib中包含許多分類與回歸算法：如簡單的線性算法以及決策樹和森林算法。

聚類

• 聚類算法是一種無監(jiān)督學習任務，用于將對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（查看一個新數(shù)據(jù)集是什么樣子）以及異常檢測（識別與任意聚類都相聚較遠的點）。
• MLlib中包含兩個聚類中流行的K-means算法，以及一個叫做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)同過濾與推薦

• 協(xié)同過濾是一種根據(jù)用戶對各種產(chǎn)品的交互與評分來推薦新產(chǎn)品的推薦系統(tǒng)技術(shù)。
• 交替最小二乘（ALS），會為每個用戶和產(chǎn)品都設一個特征向量，這樣用戶向量和產(chǎn)品向量的點積就接近于他們的得分。

實例

使用邏輯回歸算法實現(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HashingTF實例來把郵件文本映射為包含一個10000個特征的向量
    val tf = new HashingTF(numFeatures = 10000)
    //各郵件都被切分為單詞，每個單詞被映射為一個特征
    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算法運行邏輯回歸
    val model = new LogisticRegressionWithSGD().run(trainingData)
    //以陽性(垃圾郵件)和陰性(正常郵件)的例子分別進行測試
    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，包含預測的數(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：java大數(shù)據(jù)編程，了解更多技術(shù)內(nèi)容。