PySpark - MLlib

Apache Spark 提供了一个名为MLlib的机器学习 API。PySpark 也具有此 Python 机器学习 API。它支持多种算法，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。分类中一些最流行的算法是随机森林、朴素贝叶斯、决策树等。
mllib.clustering − 聚类是一种无监督学习问题，您旨在根据某种相似性概念将实体的子集相互分组。
mllib.fpm − 频繁模式匹配正在挖掘频繁项、项集、子序列或其他子结构，这些通常是分析大型数据集的第一步。多年来，这一直是数据挖掘领域的一个活跃研究课题。
mllib.linalg − MLlib 用于线性代数的实用程序。
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潜在因素来描述，这些因素可用于预测缺失的条目。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。回归的目标是寻找变量之间的关系和依赖性。用于处理线性回归模型和模型摘要的接口与逻辑回归的情况类似。

mllib 包中还有其他算法、类和函数。目前，让我们了解一下pyspark.mllib 的演示。

以下示例使用 ALS 算法进行协同过滤，以构建推荐模型并在训练数据上对其进行评估。

所用数据集 − 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 − 以上命令的输出将是：

Mean Squared Error = 1.20536041839e-05

打印页面