sparkmllib算法之操作-第一篇

0、简介

sparkMLlib是spark中的一个算法包，主要是进行一些机器学习相关的操作及计算，主要包括以下几个方面：

序号	特征	特征描述
1	ML算法	常见的学习算法，例如分类，回归，聚类和协作过滤
2	特征化	特征提取，变换，降维和选择
3	管道	用于构建，评估和调整ML管道的工具
4	持久性	保存和加载算法，模型和管道
5	实用程序	线性代数，统计信息，数据处理等

1、官方API介绍

1.1、官方API之基于RDD

声明：The MLlib RDD-based API is now in maintenance mode.

1.2、官方API之基于DataFrame

声明： DataFrame-based API is primary API

1.3、说明

从Spark 2.0开始，spark.mllib软件包中基于RDD的API已进入维护模式。 Spark的主要机器学习API现在是spark.ml软件包中基于DataFrame的API。

MLlib包括基于RDD的API和基于DataFrame的API。 基于RDD的API现在处于维护模式。 但是既不弃用API，也不弃用MLlib。

2、spark.mllib软件包依赖项

1、MLlib使用线性代数软件包Breeze，该软件包依赖于 netlib-java进行优化的数值处理。如果本机库1在运行时不可用，您将看到警告消息，而将使用纯JVM实现。

2、由于运行时专有二进制文件存在许可问题，因此netlib-java默认情况下，我们不包含的本机代理。要配置netlib-java/ Breeze使用系统优化的二进制文件，请包含 com.github.fommil.netlib:all:1.1.2（或使用构建Spark -Pnetlib-lgpl）作为您项目的依赖项，并阅读netlib-java文档以获取平台的其他安装说明。

3、要在Python中使用MLlib，您将需要NumPy 1.4版或更高版本。

3、项目依赖座标

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

说明：版本最好使用最新版本，因为最新版本里面算法更全，更完善，解决了前期版本中出现的bug。

 

有问题请联系QQ:765120845