Spark中ml和mllib的区别

转载自：https://vimsky.com/article/3403.html

Spark中ml和mllib的主要区别和联系如下：

• ml和mllib都是Spark中的机器学习库，目前常用的机器学习功能2个库都能满足需求。
• spark官方推荐使用ml, 因为ml功能更全面更灵活，未来会主要支持ml，mllib很有可能会被废弃(据说可能是在spark3.0中deprecated）。
• ml主要操作的是DataFrame, 而mllib操作的是RDD，也就是说二者面向的数据集不一样。相比于mllib在RDD提供的基础操作，ml在DataFrame上的抽象级别更高，数据和操作耦合度更低。
  • DataFrame和RDD什么关系？DataFrame是Dataset的子集，也就是Dataset[Row], 而DataSet是对RDD的封装，对SQL之类的操作做了很多优化。
• 相比于mllib在RDD提供的基础操作，ml在DataFrame上的抽象级别更高，数据和操作耦合度更低。
• ml中的操作可以使用pipeline, 跟sklearn一样，可以把很多操作(算法/特征提取/特征转换)以管道的形式串起来，然后让数据在这个管道中流动。大家可以脑补一下Linux管道在做任务组合时有多么方便。
• ml中无论是什么模型，都提供了统一的算法操作接口，比如模型训练都是fit；不像mllib中不同模型会有各种各样的trainXXX。
• mllib在spark2.0之后进入维护状态, 这个状态通常只修复BUG不增加新功能。

以上就是ml和mllib的主要异同点。下面是ml和mllib逻辑回归的例子，可以对比看一下， 虽然都是模型训练和预测，但是画风很不一样。

mllib中逻辑回归的例子

    sparse_data = [
    LabeledPoint(0.0, SparseVector(, {: 0.0})),
    LabeledPoint(1.0, SparseVector(, {: 1.0})),
    LabeledPoint(0.0, SparseVector(, {: 1.0})),
    LabeledPoint(1.0, SparseVector(, {: 2.0}))
    ]
     lrm = LogisticRegressionWithSGD.train(sc.parallelize(sparse_data), iterations=)
     lrm.predict(array([0.0, 1.0]))

     lrm.predict(array([1.0, 0.0]))

     lrm.predict(SparseVector(, {: 1.0}))

     lrm.predict(SparseVector(, {: 1.0}))

     import os, tempfile
     path = tempfile.mkdtemp()
     lrm.save(sc, path)
     sameModel = LogisticRegressionModel.load(sc, path)
     sameModel.predict(array([0.0, 1.0]))

     sameModel.predict(SparseVector(, {: 1.0}))

     from shutil import rmtree
     try:
   rmtree(path)
except:
   pass
     multi_class_data = [
    LabeledPoint(0.0, [0.0, 1.0, 0.0]),
    LabeledPoint(1.0, [1.0, 0.0, 0.0]),
    LabeledPoint(2.0, [0.0, 0.0, 1.0])
    ]
     data = sc.parallelize(multi_class_data)
     mcm = LogisticRegressionWithLBFGS.train(data, iterations=, numClasses=)
     mcm.predict([0.0, 0.5, 0.0])

     mcm.predict([0.8, 0.0, 0.0])

     mcm.predict([0.0, 0.0, 0.3])

ml中的逻辑回归的例子

 from pyspark.sql import Row
 from pyspark.ml.linalg import Vectors
 bdf = sc.parallelize([
        Row(label=1.0, weight=2.0, features=Vectors.dense(1.0)),
        Row(label=0.0, weight=2.0, features=Vectors.sparse(, [], []))]).toDF()
 blor = LogisticRegression(maxIter=, regParam=0.01, weightCol="weight")
 blorModel = blor.fit(bdf)
 blorModel.coefficients
DenseVector([5.5   ])
 blorModel.intercept
-2.68
 mdf = sc.parallelize([
        Row(label=1.0, weight=2.0, features=Vectors.dense(1.0)),
        Row(label=0.0, weight=2.0, features=Vectors.sparse(, [], [])),
        Row(label=2.0, weight=2.0, features=Vectors.dense(3.0))]).toDF()
 mlor = LogisticRegression(maxIter=, regParam=0.01, weightCol="weight",
        family="multinomial")
 mlorModel = mlor.fit(mdf)
 print(mlorModel.coefficientMatrix)
DenseMatrix([[-2.3   ],
             [ 0.2   ],
             [ 2.1    ]])
 mlorModel.interceptVector
DenseVector([2.0   , 0.8   , -2.8   ])
 test0 = sc.parallelize([Row(features=Vectors.dense(-1.0))]).toDF()
 result = blorModel.transform(test0).head()
 result.prediction
0.0
 result.probability
DenseVector([0.99   , 0.00   ])
 result.rawPrediction
DenseVector([8.22   , -8.22   ])
 test1 = sc.parallelize([Row(features=Vectors.sparse(, [], [1.0]))]).toDF()
 blorModel.transform(test1).head().prediction
1.0
 blor.setParams("vector")
Traceback (most recent call last):

TypeError: Method setParams forces keyword arguments.
 lr_path = temp_path + "/lr"
 blor.save(lr_path)
 lr2 = LogisticRegression.load(lr_path)
 lr2.getMaxIter()

 model_path = temp_path + "/lr_model"
 blorModel.save(model_path)
 model2 = LogisticRegressionModel.load(model_path)
 blorModel.coefficients[] == model2.coefficients[]
True
 blorModel.intercept == model2.intercept
True