请别再问我Spark的MLlib和ML库的区别

机器学习库（MLlib）指南

MLlib是Spark的机器学习（ML）库。其目标是使实际的机器学习可扩展和容易。在高层次上，它提供了如下工具：

• ML算法：通用学习算法，如分类，回归，聚类和协同过滤

• 特征提取，特征提取，转换，降维和选择

• 管道：用于构建，评估和调整ML管道的工具

• 持久性：保存和加载算法，模型和管道

• 实用程序：线性代数，统计，数据处理等

公告：基于DataFrame的API是主要的API

MLlib基于RDD的API现在处于维护模式。

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

有什么影响？

• MLlib将仍然支持基于RDD的API spark.mllib并修复错误。

• MLlib不会将新功能添加到基于RDD的API。

• 在Spark 2.x版本中，MLlib将向基于DataFrame的API添加功能，以便与基于RDD的API达成功能对等。

• 达到功能对等（大致估计为Spark 2.2）后，基于RDD的API将被弃用。

• 基于RDD的API预计将在Spark 3.0中被删除。

为什么MLlib切换到基于DataFrame的API？

• DataFrames提供比RDD更友好的API。DataFrame的许多优点包括Spark数据源，SQL / DataFrame查询，Tungsten和Catalyst优化以及跨语言的统一API。

• MLlib的基于DataFrame的API提供跨ML算法和跨多种语言的统一API。

• 数据框便于实际的ML管线，特别是功能转换。

什么是“Spark ML”？

• “Spark ML”不是一个正式的名字，偶尔用于指代基于MLlib DataFrame的API。这主要是由于org.apache.spark.ml基于DataFrame的API所使用的Scala包名以及我们最初用来强调管道概念的“Spark ML Pipelines”术语。

MLlib是否被弃用？

• 编号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。

依赖

MLlib使用线性代数包Breeze，它依赖于 netlib-java进行优化的数值处理。如果本机库在运行时不可用，您将看到一条警告消息，而将使用纯JVM实现。

由于运行时专有二进制文件的授权问题，netlib-java默认情况下，我们不包含本地代理。要配置netlib-java/ Breeze以使用系统优化的二进制文件，请包括 com.github.fommil.netlib:all:1.1.2（或者构建Spark -Pnetlib-lgpl）作为项目的依赖项，并阅读netlib-java文档以获取平台的其他安装说明。

要在Python中使用MLlib，您将需要NumPy 1.4或更高版本。

推荐阅读：

1，Spark的Ml pipeline

2，干货：基于Spark Mllib的SparkNLP库。

3，phoenix二级索引

4，Kafka源码系列之topic创建分区分配及leader选举

关于Spark高级玩法

kafka，hbase，spark，Flink等入门到深入源码，spark机器学习，大数据安全，大数据运维，请关注浪尖公众号，看高质量文章。

更多文章，敬请期待