[机器学习、Spark]Spark机器学习库MLlib的概述与数据类型

👨‍🎓👨‍🎓博主：发量不足

📑📑本期更新内容：Spark机器学习库MLlib的概述与数据类型

📑📑下篇文章预告：Spark MLlib基本统计

💨💨简介：分享的是一个当代疫情在校封校的大学生学习笔记

MLlib是Spark提供的可扩展的机器学习库，其特点是采用较为先进的迭代式、内存存储的分析计算，使得数据的计算处理速度大大高于普通的数据处理引擎。

Spark机器学习库MLlib的概述

一．MLib的简介

二．Spark机器学习工作流程

数据类型

MLlib的主要数据类型包括本地向量、标注点、本地矩阵。

本地向量和本地矩阵是提供公共接口的简单数据模型，Breeze和Jblas提供了底层的线性代数运算。

在监督学习中用标注点类型表示训练样本。

一．本地向量

本地向量分为密集向量(Dense)和稀疏向量(Sparse),密集向量是由Double类型的数组支持，而稀疏向量是由两个并列的数组支持。

启动Spark集群服务(hadoop用户下spark路径)：sbin/start-all.sh

启动Spark-Shell：bin/spark-shell --master local[2]

导包

import org.apache.spark.mllib.linalg.{Vector,Vectors}

创建一个密集本地向量

val dv:Vector=Vectors.dense(1.0,0.0,3.0)

创建一个稀疏本地向量

val sv1:Vector=Vectors.sparse(3,Array(0,2),Array(1.0,3.0))

通过指定非零项目，创建稀疏本地向量

val sv22:Vector = Vectors.sparse(3,Seq((0,1.0),(2,3.0)))

二．标注点

标签点（Labeled Point）是一个本地向量，也分稀疏或者稠密，并且是一个带有标签的本地向量。

在 MLlib 中，标签点常用于监督学习类算法。标签（Label）是用 Double 类型存放的，因此标签点可以用于回归或者分类算法中。如果是二维分类，标签则必须是 0 或 1 之间的一种。而如果是多个维度的分类，标签应当是从 0 开始的数字，代表各个分类的索引。

导包

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

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

创建带有正标签和密集向量的标注点pos和带有负标签和稀疏向量的标注点neg

val pos = LabeledPoint(1.0,Vectors.dense(1.0,0.0,3.0))

val neg = LabeledPoint(0.0,Vectors.sparse(3,Array(0,2),Array(1.0,3.0)))

三．本地矩阵

导包

import org.apache.spark.mllib.linalg.{Matrix,Matrices}

创建一个3行2列的密集矩阵

val dm:Matrix = Matrices.dense(3,2,Array(1.0,3.0,5.0,2.0,4.0,6.0))

创建一个3行2列的稀疏矩阵

val sm:Matrix = Matrices.sparse(3,2,Array(0,1,3),Array(0,2,1),Array(9,6,8))