《Spark 官方文档》机器学习库（MLlib）指南

spark-2.0.2

机器学习库（MLlib）指南

MLlib是Spark的机器学习（ML）库。旨在简化机器学习的工程实践工作，并方便扩展到更大规模。MLlib由一些通用的学习算法和工具组成，包括分类、回归、聚类、协同过滤、降维等，同时还包括底层的优化原语和高层的管道API。

MLllib目前分为两个代码包：

• spark.mllib 包含基于RDD的原始算法API。
• spark.ml 则提供了基于DataFrames 高层次的API，可以用来构建机器学习管道。

我们推荐您使用spark.ml，因为基于DataFrames的API更加的通用而且灵活。不过我们也会继续支持spark.mllib包。用户可以放心使用，spark.mllib还会持续地增加新的功能。不过开发者需要注意，如果新的算法能够适用于机器学习管道的概念，就应该将其放到spark.ml包中，如：特征提取器和转换器。

下面的列表列出了两个包的主要功能。

spark.mllib: 数据类型，算法以及工具

• Data types（数据类型）
• Basic statistics（基础统计）
  • summary statistics（摘要统计）
  • correlations（相关性）
  • stratified sampling（分层抽样）
  • hypothesis testing（假设检验）
  • streaming significance testing
  • random data generation（随机数据生成）
  • Kernel density estimation （核密度估计）
• Classification and regression（分类和回归）
  • linear models (SVMs, logistic regression, linear regression)（线性模型（SVM，逻辑回归，线性回归））
  • naive Bayes（朴素贝叶斯）
  • decision trees（决策树）
  • ensembles of trees (Random Forests and Gradient-Boosted Trees)（树套装（随机森林和梯度提升决策树））
  • isotonic regression（保序回归）
• Collaborative filtering（协同过滤）
  • alternating least squares (ALS)（交替最小二乘（ALS））
• Clustering（聚类）
  • k-means（K-均值）
  • Gaussian mixture（高斯混合）
  • power iteration clustering (PIC)（幂迭代聚类（PIC））
  • latent Dirichlet allocation (LDA)（隐含狄利克雷分配）
  • bisecting k-means（平分K-均值）
  • streaming k-means（流式K-均值）
• Dimensionality reduction（降维）
  • singular value decomposition (SVD)（奇异值分解（SVD））
  • principal component analysis (PCA)（主成分分析（PCA））
• Feature extraction and transformation（特征抽取和转换）
• Frequent pattern mining（频繁模式挖掘）
  • FP-growth（FP-增长）
  • association rules（关联规则）
  • PrefixSpan（PrefixSpan）
• Evaluation metrics（评价指标）
• PMML model export（PMML模型导出）
• Optimization (developer)（优化（开发者））
  • stochastic gradient descent（随机梯度下降）
  • limited-memory BFGS (L-BFGS)（有限的记忆BFGS（L-BFGS））

spark.ml: 机器学习管道高级API

• Overview: estimators, transformers and pipelines（概览：评估器，转换器和管道）
• Extracting, transforming and selecting features（抽取，转换和选取特征）
• Classification and regression（分类和回归）
• Clustering（聚类）
• Advanced topics（高级主题）

虽然还有些降维技术在spark.ml中尚不可用，不过用户可以将spark.mllib中的的相关实现和spark.ml中的算法无缝地结合起来。

依赖项

MLlib使用的线性代数代码包是Breeze，而Breeze又依赖于 netlib-java 优化的数值处理。如果在运行时环境中这些原生库不可用，你将会收到一条警告，而后spark会使用纯JVM实现来替代之。

由于许可限制的原因，spark在默认情况下不会包含netlib-Java的原生代理库。如果需要配置netlib-java/Breeze使用其系统优化库，你需要添加依赖项：com.github.fommil.netlib:all:1.1.2（或者在编译时加上参数：-Pnetlib-lgpl），然后再看一看 netlib-java 相应的安装文档。

要使用MLlib的Python接口，你需要安装NumPy 1.4以上的版本。

迁移指南

MLlib目前还在积极的开发当中。所以标记为 Experimental / DeveloperApi 的接口可能在未来发生变化，下面的迁移指南说明了版本升级后的变化。

从1.5升级到1.6

从1.5到1.6，spark.mllib 和 spark.ml 包中并没有重大的API变化，不过有一些行为不再支持或者发生变化。

已经废弃:

• SPARK-11358: spark.mllib.clustering.KMeans 的runs参数已经废弃
• SPARK-10592: spark.ml.classification.LogisticRegressionModel和spark.ml.regresion.LinearRegressionModel 中，weights字段改名为coefficients。这一变动有助于消除歧义，可以和输入给算法的实例（行）权重（weights）区分开来。

行为有变:

• SPARK-7770: spark.mllib.tree.GradientBoostedTrees: validationTol 的语义在1.6中有变。原先其代表误差变化绝对值的一个阈值，而现在它类似于GradientDescent中的convergenceTol：对于较大的误差，使用相对误差（相对于上一次）；而对于较小的误差（<0.01），使用绝对误差。
• SPARK-11069: spark.ml.feature.RegexTokenizer：以前，在分词之前不会讲字符串转小写。现在的实现是，默认会将字符串转小写，不过有选项可以设为不转。这中实现和Tokenizertransformer的行为相匹配。

Spark老版本

以前版本的迁移指南归档在这里：on this page

---

1. 要了解更多有关系统优化的好处和背景资料，可以看看Sam Halliday关于ScalaX的演讲：High Performance Linear Algebra in Scala

转载自并发编程网 – ifeve.com本文链接地址: Spark机器学习库（MLlib）指南