Spark机器学习库（MLlib）指南

我们推荐您使用spark.ml，因为基于DataFrames的API更加的通用而且灵活。不过我们也会继续支持spark.mllib包。用户可以放心使用，spark.mllib还会持续地增加新的功能。不过开发者需要注意，如果新的算法能够适用于机器学习管道的概念，就应该将其放到spark.ml包中，如：特征提取器和转换器。

下面的列表列出了两个包的主要功能。

spark.mllib: 数据类型，算法以及工具

• Data types （数据类型）
• Basic statistics （基础统计）
  • summary statistics （摘要统计）
  • correlations （相关性）
  • stratified sampling （分层抽样）
  • hypothesis testing （假设检验）
  • streaming significance testing
  • random data generation （随机数据生成）
• Classification and regression （分类和回归）
  • linear models (SVMs, logistic regression, linear regression) （线性模型（SVM，逻辑回归，线性回归））
  • naive Bayes （朴素贝叶斯）
  • decision trees （决策树）
  • ensembles of trees (Random Forests and Gradient-Boosted Trees) （树套装（随机森林和梯度提升决策树））
  • isotonic regression （保序回归）
• Collaborative filtering （协同过滤）
  • alternating least squares (ALS) （交替最小二乘（ALS））
• Clustering （聚类）
  • k-means （K-均值）
  • Gaussian mixture （高斯混合）
  • power iteration clustering (PIC) （幂迭代聚类（PIC））
  • latent Dirichlet allocation (LDA) （隐含狄利克雷分配）
  • bisecting k-means （平分K-均值）
  • streaming k-means （流式K-均值）
• Dimensionality reduction （降维）
  • singular value decomposition (SVD) （奇异值分解（SVD））
  • principal component analysis (PCA) （主成分分析（PCA））
• Feature extraction and transformation （特征抽取和转换）
• Frequent pattern mining （频繁模式挖掘）
  • FP-growth （FP-增长）
  • association rules （关联规则）
  • PrefixSpan （PrefixSpan）
• Evaluation metrics （评价指标）
• PMML model export （PMML模型导出）
• Optimization (developer) （优化（开发者））
  • stochastic gradient descent （随机梯度下降）
  • limited-memory BFGS (L-BFGS) （有限的记忆BFGS（L-BFGS））

spark.ml: 机器学习管道高级API

• Overview: estimators, transformers and pipelines （概览：评估器，转换器和管道）
• Extracting, transforming and selecting features （抽取，转换和选取特征）
• Classification and regression （分类和回归）
• Clustering （聚类）
• Advanced topics （高级主题）

虽然还有些降维技术在spark.ml中尚不可用，不过用户可以将spark.mllib中的的相关实现和spark.ml中的算法无缝地结合起来。

依赖项

MLlib使用的线性代数代码包是 Breeze ，而 Breeze 又依赖于  netlib-java 优化的数值处理。如果在运行时环境中这些原生库不可用，你将会收到一条警告，而后spark会使用纯JVM实现来替代之。

由于许可限制的原因，spark在默认情况下不会包含netlib-java的原生代理库。如果需要配置netlib-java/Breeze使用其系统优化库，你需要添加依赖项：com.github.fommil.netlib:all:1.1.2（或者在编译时加上参数：-Pnetlib-lgpl），然后再看一看 netlib-java相应的安装文档。

要使用MLlib的Python接口，你需要安装 NumPy 1.4以上的版本。

迁移指南

MLlib目前还在积极的开发当中。所以标记为 Experimental / DeveloperApi 的接口可能在未来发生变化，下面的迁移指南说明了版本升级后的变化。

从1.5升级到1.6

从1.5到1.6，spark.mllib 和 spark.ml 包中并没有重大的API变化，不过有一些行为不再支持或者发生变化。

已经废弃:

• SPARK-11358 : spark.mllib.clustering.KMeans 的runs参数已经废弃
• SPARK-10592 : spark.ml.classification.LogisticRegressionModel和spark.ml.regresion.LinearRegressionModel 中，weights字段改名为coefficients。这一变动有助于消除歧义，可以和输入给算法的实例（行）权重（weights）区分开来。

行为有变:

• SPARK-7770 :  spark.mllib.tree.GradientBoostedTrees :  validationTol  的语义在1.6中有变。原先其代表误差变化绝对值的一个阈值，而现在它类似于 GradientDescent中的convergenceTol：对于较大的误差，使用相对误差（相对于上一次）；而对于较小的误差（<0.01），使用绝对误差。
• SPARK-11069 : spark.ml.feature.RegexTokenizer：以前，在分词之前不会讲字符串转小写。现在的实现是，默认会将字符串转小写，不过有选项可以设为不转。这中实现和 Tokenizer transformer的行为相匹配。

Spark老版本

以前版本的迁移指南归档在这里： on this page

1. 要了解更多有关系统优化的好处和背景资料，可以看看Sam Halliday关于ScalaX的演讲： High Performance Linear Algebra in Scala