PySpark-MLlib


Apache Spark 提供了一个名为MLlib的机器学习 API 。PySpark 也有 Python 语言的机器学习 API。它支持不同类型的算法,如下所述 -

  • mllib.classification - Spark.mllib包支持各种二元分类、多类分类和回归分析方法。分类中最流行的一些算法是随机森林、朴素贝叶斯、决策树等。

  • 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的子集彼此分组。

  • 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 - 协作过滤通常用于推荐系统。这些技术旨在填充用户项关联矩阵中缺失的条目。

  • Spark.mllib - 目前支持基于模型的协作过滤,其中用户和产品由一小组可用于预测丢失条目的潜在因素来描述。Spark.mllib 使用交替最小二乘法 (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与逻辑回归情况类似。

还有其他算法、类和函数也作为 mllib 包的一部分。现在,让我们了解pyspark.mllib的演示。

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。

使用的数据集- 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

--------------------------------------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----------------------------------------

命令- 命令如下 -

$SPARK_HOME/bin/spark-submit recommend.py

输出- 上述命令的输出将是 -

Mean Squared Error = 1.20536041839e-05