基于Spark自动扩展scikit-learn (spark-sklearn)（转载）

转载自：https://blog.csdn.net/sunbow0/article/details/50848719

1、基于Spark自动扩展scikit-learn(spark-sklearn)
1.1 导论
Spark MLlib 将传统的单机机器学习算法改造成分布式机器学习算法，比如在梯度下降算法中，单机做法是计算所有样本的梯度值，单机算法是以全体样本为计算单位；而分布式算法的逻辑是以每个样本为单位，在集群上分布式的计算每个样本的梯度值，然后再对每个样本的梯度进行聚合操作等。在Spark Mllib中分布式的计算单位可以是：一个样本数据、一个分区的样本数据，一个矩阵等等，分布式的计算单位根据算法的需求而不同，前提条件是每个单位的计算应该是可独立，不依赖于其它单位的计算结果，所以一般在分布式算法设计时，需要把每个单位计算时所需要的数据放在一个单位里，例如在ALS的分布式设计中，将U和V的数据进行重新分区，并建立新的数据集。

Spark Mllib实现了在大数据训练样本下的分布式计算，适应于工程化的实践项目中，如果当计算模型中需要涉及到各种模型参数的调优时，Spark Mllib就会显得有些不足，那我们能否设想下：在小样本训练集下，我在Spark上随机生成1千万个计算模型，把这1千万个计算模型分布式的运行在Spark集群上对训练集进行模型测试计算，是不是可以得到一个结果最优的模型，该模型对应的参数就是最优参数，然后我们根据最优化参数应用在工程化的实践中。

我们可以对Spark Mllib 进行扩展，把我们的带有参数的机器学习模型当作分布的计算单位，每个单位的元素包括：（带参数的模型，训练样本，测试样本），每个单位的计算过程就是将对训练样本训练带参数的模型，得到模型，然后计算测试样本的精度，在集群中对各个单位进行分布式的计算，最终取得最优结果的那个模型。

这就是我下面要介绍的：Auto-scaling scikit-learn with Spark。

1.2 spark-sklearn背景
数据科学家经常花几个小时或几天来调优模型使得计算的精度最高。这种调优通常是在Python或R中运行大量的单机机器学习(ML)任务。

目前Spark集成了Scikit-learn包，这样可以极大的简化了Python数据科学家们的工作，这个包可以在Spark集群上自动分配模型参数优化计算任务，而且不影响现有的工作流程：

如果在单个机器上使用时, Spark可以使用scikit-learn(Joblib)替代默认的多线程框架。

如果需要工作在多台机器上，也不需要修改代码，可以在单机和集群中运行。

1.3 轻松应对大规模模型计算
对于数据分析处理，Python是一种最流行的编程语言，这在很大程度上是由于高质量的计算库，比如数据分析的Pandas 和机器学习orscikit-learn等。Scikit-learn提供快速、健壮的标准ML算法如集群、分类和回归等。

Scikit-learn的优势通常是在单个节点上进行机器学习的计算,。对于一些常见的场景，如参数调优，大量小任务可以并行地运行。这些场景可以完美使用Spark来解决。

1.4 随机森林的分布优化
采用图像识别数字的一个经典例子。数据包括：数字图像的数据集与对应的标签：

我们通过训练随机森林分类器来识别数字。这个分类器有许多参数需要调整,但是没有简单的方法来知道哪个参数效果的好与坏，除了尝试大量的不同组合。Scikit-learn提供了GridSearchCV接口，一个搜索算法，自动搜索最优参数设置。如下图示例，GridSearchCV采用交叉验证的方式进行参数选择，每个参数设置产生一个模型，最终选择表现最好的模型。

使用scikit-learn的原代码如下：

from sklearn import grid_search, datasets
from sklearn.ensemble import RandomForestClassifier
from sklearn.grid_search import GridSearchCV
digits = datasets.load_digits()
X, y = digits.data, digits.target
param_grid = {"max_depth": [, None],
              "max_features": [, , ],
              "min_samples_split": [, , ],
              "min_samples_leaf": [, , ],
              "bootstrap": [True, False],
              "criterion": ["gini", "entropy"],
              "n_estimators": [, , , ]}
gs = grid_search.GridSearchCV(RandomForestClassifier(), param_grid=param_grid)
gs.fit(X, y)

训练数据集很小(数百kb)，但探索所有的组合大约需要5分钟。Spark的scikit-learn包提供了一种在Spark集群上进行分布式的交叉验证算法计算工作。每个节点运行训练算法使用的本地的scikit-learn库，并且向集群的master报告最佳模型：

他之前的代码是一样的，除了一行变化：

from sklearn import grid_search, datasets
from sklearn.ensemble import RandomForestClassifier
# Use spark_sklearn’s grid search instead:
from spark_sklearn import GridSearchCV
digits = datasets.load_digits()
X, y = digits.data, digits.target
param_grid = {"max_depth": [, None],
              "max_features": [, , ],
              "min_samples_split": [, , ],
              "min_samples_leaf": [, , ],
              "bootstrap": [True, False],
              "criterion": ["gini", "entropy"],
              "n_estimators": [, , , ]}
gs = grid_search.GridSearchCV(RandomForestClassifier(), param_grid=param_grid)
gs.fit(X, y)

这个例子在4个节点(16 cpu)的集群上运行时间小于30秒。对于大数据集和更多的参数设置，效率的提升则更大。

如果你想试试这个包，需要：

https://pypi.python.org/pypi/spark-sklearn

http://spark-packages.org/package/databricks/spark-sklearn

实例地址：http://go.databricks.com/hubfs/notebooks/Samples/Miscellaneous/blog_post_cv.html

详细见API：

http://pythonhosted.org/spark-sklearn/