PySpark MLlib | Spark 教程

#PySpark MLlib
Apache Spark 提供了一个机器学习 API，称为MLlib. PySpark 在 Python 中也有这个机器学习 API。它支持不同类型的算法，如下所述：
- mllib.classification- 的spark.mllib包支持二进制分类、多类分类和回归分析的各种方法。一些最流行的分类算法是随机森林, 朴素贝叶斯, 决策树， 等等。
- mllib.clustering− 聚类是一种无监督学习问题，您的目标是根据某种相似性概念将实体子集彼此分组。
- mllib.fpm− 频繁模式匹配是挖掘频繁项、项集、子序列或其他子结构，这些通常是分析大规模数据集的第一步。多年来，这一直是数据挖掘领域的一个活跃研究课题。
- mllib.linalg− 用于线性代数的 MLlib 实用程序。
- mllib.recommendation− 协同过滤通常用于推荐系统。这些技术旨在填充用户项目关联矩阵的缺失条目。
- spark.mllib− 它目前支持基于模型的协同过滤，其中用户和产品由一小组可用于预测缺失条目的潜在因素描述。spark.mllib 使用交替最小二乘 (ALS) 算法来学习这些潜在因素。
- mllib.regression− 线性回归属于回归算法家族。回归的目标是找到变量之间的关系和依赖关系。使用线性回归模型和模型摘要的界面类似于逻辑回归案例。
mllib 包中还有其他算法、类和函数。到目前为止，让我们了解一个关于pyspark.mllib。

以下示例是使用 ALS 算法构建推荐模型并在训练数据上对其进行评估的协同过滤。
 
新建数据集，文件命名为：test.data
```
1,1,5.0
1,2,1.0
1,3,5.0
1,4,1.0
2,1,5.0
2,2,1.0
2,3,5.0
2,4,1.0
3,1,1.0
3,2,5.0
3,3,1.0
3,4,5.0
4,1,1.0
4,2,5.0
4,3,1.0
4,4,5.0
```
示例代码如下：
```python
--------------------------------------recommend.py----------------------------------------
from __future__ import print_function
from pyspark import SparkContext
from pyspark.mllib.recommendation import ALS, MatrixFactorizationModel, Rating
if __name__ == "__main__":
   sc = SparkContext(appName="Pspark mllib Example")
   data = sc.textFile("test.data")
   ratings = data.map(lambda l: l.split(','))\
      .map(lambda l: Rating(int(l[0]), int(l[1]), float(l[2])))

# Build the recommendation model using Alternating Least Squares
   rank = 10
   numIterations = 10
   model = ALS.train(ratings, rank, numIterations)

# Evaluate the model on training data
   testdata = ratings.map(lambda p: (p[0], p[1]))
   predictions = model.predictAll(testdata).map(lambda r: ((r[0], r[1]), r[2]))
   ratesAndPreds = ratings.map(lambda r: ((r[0], r[1]), r[2])).join(predictions)
   MSE = ratesAndPreds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
   print("Mean Squared Error = " + str(MSE))

# Save and load model
   model.save(sc, "target/tmp/myCollaborativeFilter")
   sameModel = MatrixFactorizationModel.load(sc, "target/tmp/myCollaborativeFilter")
--------------------------------------recommend.py----------------------------------------
```
执行结果如下：
```bash
$SPARK_HOME/bin/spark-submit recommend.py

Mean Squared Error = 1.20536041839e-05
```

大象教程

Spark SQL

Spark Streaming

Spark GraphX

PySpark 教程

大象教程

Spark SQL

Spark Streaming

Spark GraphX

PySpark 教程

加我微信交流吧