Spark MLlib系列——程序框架

问题导读
1、如何对Spark中的mllib模块进行分析？
2、Spark实现机器学习算法的流程是怎样的？




本系列将对Spark中的pyspark的mllib模块进行分析。这篇文章先简要介绍一下Spark实现机器学习算法的流程。

大部分的机器学习算法都包含训练以及预测两个部分，训练出模型，然后对未知样本进行预测。Spark中的机器学习包完全体现了这样一种思想，下面我们看一个最简单的例子：

class LinearModel(object):
    """A linear model that has a vector of coefficients and an intercept."""
    def __init__(self, weights, intercept):
        self._coeff = weights
        self._intercept = intercept
 
    @property
    def weights(self):
        return self._coeff
 
    @property
    def intercept(self):
        return self._intercept
 
class LinearRegressionModelBase(LinearModel):
    """A linear regression model.
 
    >>> lrmb = LinearRegressionModelBase(array([1.0, 2.0]), 0.1)
    >>> abs(lrmb.predict(array([-1.03, 7.777])) - 14.624) < 1e-6
    True
    >>> abs(lrmb.predict(SparseVector(2, {0: -1.03, 1: 7.777})) - 14.624) < 1e-6
    True
    """
    def predict(self, x):
        """Predict the value of the dependent variable given a vector x"""
        """containing values for the independent variables."""
        _linear_predictor_typecheck(x, self._coeff)
        return _dot(x, self._coeff) + self._intercept
复制代码

这是Spark MLlib的线性回归的预测模型，回归模型的两个参数，一个是特征向量对应的权重向量（weights），另一个是截距（intercept），而预测样本的回归值则只需要输入样本的特征向量。因此，在线性回归模型中，用模型参数——权重向量以及截距，来初始化，预测函数predict输入待测样本的特征向量，并输出预测值。

现在的关键是如何得到模型参数，这就需要利用已有的训练样本对模型进行训练。

class LinearRegressionWithSGD(object):
    @classmethod
    def train(cls, data, iterations=100, step=1.0,
              miniBatchFraction=1.0, initialWeights=None):
        """Train a linear regression model on the given data."""
        sc = data.context
        train_f = lambda d, i: sc._jvm.PythonMLLibAPI().trainLinearRegressionModelWithSGD(
            d._jrdd, iterations, step, miniBatchFraction, i)
        return _regression_train_wrapper(sc, train_f, LinearRegressionModel, data, initialWeights)
 
def _regression_train_wrapper(sc, train_func, klass, data, initial_weights):
    initial_weights = _get_initial_weights(initial_weights, data)
    dataBytes = _get_unmangled_labeled_point_rdd(data)
    ans = train_func(dataBytes, _serialize_double_vector(initial_weights))
    if len(ans) != 2:
        raise RuntimeError("JVM call result had unexpected length")
    elif type(ans[0]) != bytearray:
        raise RuntimeError("JVM call result had first element of type "
                           + type(ans[0]).__name__ + " which is not bytearray")
    elif type(ans[1]) != float:
        raise RuntimeError("JVM call result had second element of type "
                           + type(ans[0]).__name__ + " which is not float")
    return klass(_deserialize_double_vector(ans[0]), ans[1])
复制代码

由上面的代码可以看到，线性回归的训练调用的是封装好的trainLinearRegressionModelWithSGD函数，其输出值ans有两个，一个是weights，另一个是intercept。_regression_train_wrapper函数的作用是对训练模型的参数进行包装，并返回预测模型对象。

通过上面对线性回归模型代码分析可以知道，Spark将机器学习算法都分成了两个模块：一个训练模块，通过训练样本输出模型参数；另一个是预测模块，利用模型参数初始化，预测测试样本，输出与测值。

其他的机器学习算法都类似，当然有些机器学习算法天生不用经过训练的过程，如KNN，自然也就没有训练阶段。

学习了