Spark MLlib知识点学习整理

MLlib的设计原理:把数据以RDD的形式表示，然后在分布式数据集上调用各种算法。MLlib就是RDD上一系列可供调用的函数的集合。

操作步骤:

1、用字符串RDD来表示信息。

2、运行MLlib中的一个特征提取算法来吧文本数据转换为数值的特征。给操作会返回一个向量RDD。

3、对向量RDD调用分类算法，返回一个模型对象，可以使用该对象对新的数据点进行分类。

4、使用MLlib的评估函数在测试数据集上评估模型。

机器学习基础：

机器学习算法尝试根据 训练数据 使得表示算法行为的数学目标最大化，并以此来进行预测或作出决定。包括分类、回归、聚类，每种都有不一样的目标。 所有的学习算法都需要定义每个数据点的特征集，也就是传给学习函数的值。

更重要的在于如何去正确的定义特征。  例如： 在产品推荐的任务中，仅仅机上一个额外的特征（推荐给用户的书籍也可能取决于用户看过的电影），就有可能极大地改进结果。 当数据已成为特征向量的形式后，大多数机器学习算法会根据这些向量优化一个定义好的数学模型。 然后算法会再运行结束时返回一个代表学习决定的模型。

MLlib数据类型

1、Vector

一个数学向量。MLlib既支持稠密向量也支持稀疏向量。前者表示向量的每一位都存储下来，后者则存储非零位以节省空间。

稠密向量：把所有唯独的值存放在一个浮点整数组中。 

稀疏向量只把各维度中的非零值存储下来。当最多只有10%的元素为非零元素时，通常更倾向于使用稀疏向量。

spark中创建向量的方式有

import org.apache.spark.mllib.linalg.Vectors

//创建稠密向量<1.0,2.0,3.0>;Vectors.dense接收一串值或一个数组
val denseVec1 = Vectors.dense(1.0,2.0,3.0))
val denseVec2 = Vectors.dense(Array(1.0,2.0,3.0))

//创建稀疏向量<1.0,0.0,2.0,0.0>
向量的维度（4） 以及非零位的位置和对应的值
val sparseVec1 = Vectors.sparse(4,Array(0,2),Array(1.0,2.0))

2、LabeledPoint

诸如分类和回归的算法这样的监督学习算法中，LabeledPoint用来表示带标签的数据点。它包含一个特征向量与一个标签（由一个浮点数表示），位置在mllib.regression包中。

3、Rating

用户对一个产品的评分，在mllib.recomendation包中，用于产品推荐。

4、各种Model类

每个Model都是训练算法的结果，一般有一个predict()方法可以用来对新的数据点或数据点组成的RDD应用该模型进行预测。

特征转化：

TF-IDF:词频，逆文档频率是一种用来从文本文档中生成特征向量的简单方法。它为文档中的每个词计算两个统计值：一个是词频(TF)，也就是每个词在文档中出现的次数，另一个是逆文档频率(IDF)，用来衡量一个词语特定文档的相关度。

MLlib有两个算法可以用来计算TF-IDF:HashTF和TF

HashTF从一个文档中计算出给定大小的词频向量。为了将词和向量顺序对应起来，所以使用了哈希。HashingTF使用每个单词对所需向量的长度S取模得出的哈希值，把所有单词映射到一个0到S-1之间的数字上。由此可以保证生成一个S维的向量。随后当构建好词频向量后，使用IDF来计算逆文档频率，然后将它们与词频相乘计算TF-IDF。

MLlib统计

1、Statistics.colStats(rdd)

计算由向量组成的RDD的统计性综述，保存着向量集合中每列的最大值、最小值、平均值和方差。

2、statistics.corr(rdd,method_

计算由向量组成的RDD中的列间的相关矩阵，使用皮卡森相关或斯皮尔曼相关中的一种。

3、statistics.corr(rdd1,rdd2,method)

计算两个由浮点值组成的RDD的相关矩阵。

4、Statistics.chiSqTest(rdd)

计算由LabeledPoint对象组成的RDD中每个特征与标签的皮卡森独立性测试结果。返回一个ChiSqTestResult对象，其中有p值、测试统计及每个特征的自由度。

分类与回归

监督试学习指算法尝试使用有标签的训练数据（已知结果的数据点）根据对象的特征预测的结果。在分类中，预测出的变量是离散的（就是一个在有限集中的值，叫做类别） 。比如，分类可能是将邮件文卫垃圾邮件和非垃圾邮件，也有可能是文本所使用的语言。在回归中，预测出的是变量是连续的（根据年龄和体重预测一个人的身高）

线性回归：

1、numIteratrions

要运行的迭代次数(默认值：100）

2、stepSize

梯度下降的步长（默认值：1.0）

3、intercept

是否给数据加上一个干扰特征或者偏差特征--也就是一个值始终未1的特征（默认值：false)

4、regParam

Lasso和ridge的正规化参数(默认值：1.0）

import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.regression.LinearRegressionWithSGD

val points: RDD[LabeledPoint] = //..
val lr = new LinearRegressiionWithSGD().setNumIterations(200).setIntercept(true)
val model = lr.run(points)
println("weight: %s, intercept: %s".format(model.weights, model.intercept))

逻辑回归

用来寻找一个分割阴性和阳性示例的线性分割平面。在MLlib中，接收一组标签为0或1的LabeledPoint,返回可以预测新点的分类的LogisticRegressionModel对象。

决策树与随机深林

决策树是一个灵活的模型，可以用来进行分类，也可以用来进行回归。决策树以节点树的形式表示，每个节点基于数据的特征作出一个二元决定(比如这个人的年龄是否大于20？），而树的每个叶节点则包含一种预测结果（例如，这个人是不是会买一个产品?)决策树的吸引力在于模型本身容易检查，而且决策树既支持分类的特征，也支持连续的特征。

参考于:《Spark快速大数据分析》