MLlib 编程指导-spark-1.2.0

本文来自 http://spark.apache.org/docs/latest/mllib-guide.html 官方文档翻译 个人翻译

MLlib包括的算法和工具主要有：分类，回归，聚类，协同过滤，降维，和底层优化原语：

• 数据类型
• 基本统计
  • 总和统计
  • 相关性
  • 分层抽样
  • 假设检验
  • 随机数生成
• 分类和回归
  • 线性模型（SVM，逻辑回归，线性回归）
  • 朴素贝叶斯
  • 决策树
  • ensembles of trees (随机森林和Gradient-Boosted树)
• 协同过滤
  • 最小二乘法（ALS）
• 聚类
  • k-means
• 降维
  • singular value decomposition (SVD)
  • principal component analysis (PCA)
• 特征提取和转换
• 优化（开发者）
• 随机梯度下降
• 限制内存的BFGS(L-BFGS)

依赖

MLlib使用线性代数包Breeze，他依赖netlib-java和jblas。netlib-java和jblas依赖原生的Fortran程序。如果你的节点中没有这些库，你也许会需要安装 gfortran runtime library。如果程序没有办法自动检测到这些库，MLlib 将会抛出链接错误的异常。由于许可原因，MLlib的默认依赖结合不包含netlib-java的原始库，运行时会出现一些警告信息。为了使用netlib-java的原始库，请在构建spark时使用-Pnetlib-lgpl或者包含com.github.fommil.netlib:all:1.1.2依赖。如果想使用想OpenBLAS这种BLAS/LAPACK优化库，需要连接/usr/lib/libblas.so.3 and /usr/lib/liblapack.so.3。worker节点上的BLAS/LAPACK libraries在build是不是用多线程。

如果想用 Python 调用 MLlib,你需要安装 NumPy 1.4 或者更新的版本。